Il machine learning in medicina sta cambiando molte terapie, fra cui quella contro il cancro. In che modo ciò avviene?
Il cancro è definito come una malattia eterogenea composta da molti sottotipi diversi. La diagnosi precoce e la prognosi del tipo di cancro sono diventate un must nella ricerca sul cancro, poiché facilitano la successiva gestione clinica dei pazienti.
L’importanza di classificare i pazienti con cancro in cluster ad alto o basso rischio ha portato molti gruppi di ricerca, dal campo biomedico e a quello bioinformatico, a studiare l’applicazione di metodi di apprendimento automatizzati. Appunto, il machine learning (ML).
Pertanto, questa tecnologia è stata utilizzata per modellare la progressione e il trattamento della malattia. Inoltre, le capacità delle tecniche di machine learning di rilevare delle caratteristiche chiave da set di dati complessi rivela quanto sia rilevante il loro utilizzo in questo campo.
Anche se è evidente che l’uso dei metodi di ML può migliorare la nostra comprensione della progressione delle malattie gravi, è necessario un adeguato livello di convalida affinché questi metodi siano considerati utili nella pratica clinica quotidiana.
In questo articolo del JOurnal parleremo di come il machine learning applicato alla medicina può dare un contributo essenziale nella raccolta accurata di dati destinati alla diagnosi nel settore oncologico.
Machine learning nella diagnosi oncologica
ll machine learning (ML) è l’insegnamento di azioni e attività ai computer e a robot che ha come obiettivo l’apprendimento automatico. Si entra in questo modo in possesso di una grande mole di dati grazie ai quali il settore sanitario riesce ad arrivare a risultati migliori in termini di prestazioni ed efficienza.
Nell’ultimo decennio la ricerca sul cancro ha compiuto enormi step ampliando i propri orizzonti. Gli scienziati hanno adottato nel tempo diversi metodi, come lo screening nella fase iniziale, al fine di trovare i diversi tipi di cancro prima che causino sintomi letali.
Inoltre, hanno sviluppato nuove strategie per la previsione precoce di output relativi al trattamento del cancro. I risultati derivanti dal machine learning sono stati resi disponibili per permettere alla comunità di ricerca medica di studiarne gli output e individuare nuove soluzioni.
In ogni caso, la previsione accurata dell’esito di una malattia rimane sicuramente uno dei compiti più impegnativi per i medici. Questo compito è oggi facilitato usufruendo dei risultati derivanti dai metodi di ML.
Queste tecniche possono identificare le correlazioni più significative, estraendo informazioni da insiemi di dati complessi, che permettono di prevedere più efficacemente gli esiti futuri dei tipi di cancro.
Diversi studi sono stati volti alla comprensione di nuove metodologie diverse da quelle adottate precedentemente, basate su strategie che potrebbero consentire la diagnosi precoce del cancro e la sua prognosi.
In particolare, questi studi descrivono approcci relativi alla profilazione dei miRNA circolanti che si sono dimostrati una classe promettente per la rilevazione e l’identificazione del cancro.
Tuttavia, questi metodi al momento soffrono di bassa efficacia nello screening delle fasi iniziali e per la difficoltà nel distinguere i tumori benigni da quelli maligni.
Machine learning e deep learning nella lotta contro il cancro
Le tecnologie AI comprendono diversi metodi di analisi dei dati. Da una parte il machine learning utilizza dati che sono stati preprocessati e fa previsioni in base a ciò che l’AI impara. Il deep learning, al contrario, può identificare modelli complessi direttamente dai dati grezzi ed è utilizzato per individuare i nuclei delle cellule in enormi serie di dati.
Il deep learning ha le sue origini negli anni ’40, quando gli scienziati costruirono un modello di computer che era organizzato in strati interconnessi, come i neuroni nel cervello umano. Decenni dopo i ricercatori hanno insegnato a queste ‘reti neurali’ a riconoscere forme, parole e numeri, ma solo pochi anni fa il deep learning ha iniziato ad espandersi anche nel settore medico e biologico.
Il deep learning è stato applicato a molte aree dell’assistenza sanitaria, tra cui la diagnosi per immagini, la previsione del ricovero in ospedale, la progettazione di farmaci, la classificazione del cancro e delle cellule stromali, l’assistenza medica, ecc.
La prognosi del cancro consiste nello stimare il destino del cancro, le probabilità di recidiva e progressione del cancro e nel fornire una stima della sopravvivenza ai pazienti. Per questo l’accuratezza della previsione della prognosi del cancro è di grande beneficio per la gestione clinica dei pazienti che ne sono affetti.
Il miglioramento della ricerca biomedica traslazionale e l’applicazione di analisi statistiche avanzate e metodi di apprendimento automatico, grazie al machine learning e al deep learning, sono le forze trainanti per migliorare la previsione della prognosi oncologica.
La riduzione dei costi nel sequenziamento di prossima generazione su larga scala e la disponibilità di tali dati attraverso i database open source (ad esempio, i database TCGA e GEO) offrono l’opportunità di costruire modelli più potenti e accurati.
Il deep learning richiede meno ingegneria dei dati e raggiunge una previsione accurata quando si lavora con grandi quantità di dati.
Il deep learning nella prognosi del cancro ha dimostrato di essere equivalente o migliore degli approcci attuali, come ad esempio il Cox-PH, un modello di regressione comunemente usato statisticamente nella ricerca medica per indagare l’associazione tra il tempo di sopravvivenza dei pazienti e una o più variabili predittive.
Con l’esplosione dei dati multiomici, compresi i dati genomici, i dati trascrittomici e le informazioni cliniche negli studi sul cancro, il deep learning sta portando ad un miglioramento esponenziale nella prognosi del cancro.
Key takeaways
L’intelligenza artificiale e l’e-health hanno fatto enormi progressi nel settore medico. L’utilizzo di automazioni sempre più intelligenti, che permettono l’acquisizione di informazioni cruciali dalla lavorazione di una vasta quantità di dati, è segno che la digitalizzazione nell’ambito medico-sanitario sta dando i suoi frutti.
L’IA è una grande opportunità, ma perché tutto ciò possa funzionare è necessario avviare un’importante piano di digital transformation nell’ambito della sanità pubblica.