L’uso dell’intelligenza artificiale (AI) in oncologia è una realtà già da alcuni anni. A dire di Francesco Trovò, bioingegnere del Politecnico di Milano, tra i primi prendere la parola al convegno “Artificial Intelligence for Oncology” del 5 maggio scorso, una delle attitudini per le quali l’AI è diventata moneta corrente in oncologia è la capacità che ha di dare indicazioni nel merito della terapia farmacologica per riparare le cellule colpite dal tumore, in base agli scambi fra proteine che avvengono all’interno del DNA. Il software permette all’AI di elaborare la terapia mirata, in base al confronto con i dati di oltre 100 mila strutture proteiche.
Il convegno si è svolto presso l’Istituto Nazionale del Tumori di Milano (INT). A organizzarlo la Dr.ssa Arsela Prelaj, Dirigente medico di oncologia medica toraco-polmonare dello stesso Istituto.
Che i dati siano fondamentali per le informazioni in base alle quali l’AI è in grado di proporre soluzioni immediate, è stato un leitmotiv sul quale tutti i relatori, chi più chi meno, sono ritornati. Per Vibert Julien, Institute Gustave Roussy, Villejuif (FR), esperto di AI e Medical image Analysis, grazie alla sovrapposizione di AI delle texture ricavate dai classici metodi di imaging clinica riusciamo a dare un nome a dei tessuti cancerosi che le normali pratiche cliniche non sono in grado di etichettare. E sappiamo quanto una diagnosi puntale e tempestiva sia importante per la prognosi della malattia oncologica.
A parlare di Digital Healthcare Revolution a proposito dell’importanza che i dati rivestono nei processi di AI, s’è spesa Alessandra Pedrocchi del Politecnico di Milano, ricordando quanto sia importante la standardizzazione dei dati nei processi di machine learning. Una macchina chiamata a prendere decisioni valide per una platea variegata di pazienti ha bisogno di dati il più possibile uniformati e rappresentativi di tutti i pazienti, minoranze etniche e sociali comprese. Diversamente sussiste il rischio che già gli esperti del WHO hanno paventato in una pubblicazione recente (2019), ossia che le raccomandazioni cliniche frutto di AI rischino di essere irrilevanti o imprecise, quando non del tutto fuorvianti, se la tecnologia che le ha elaborate ha lavorato solo su dei dati parziali. In altre parole, se una tecnologia di intelligenza artificiale si basa su un campionario di dati etnicamente omogeneo, i biomarcatori identificati come rispondenti per una particolare terapia saranno appropriati solo per la razza o il genere per i quali i dati sono stati raccolti. L’esempio più intuitivo è quello del melanoma. Per morbilità e mortalità il melanoma è una malattia che colpisce di più la razza bianca di paesi come l’Austriaca, la Nuova Zelanda, il Nord Europa e il Sud Africa. Quasi tutti gli studi scientifici e, di conseguenza, oltre il 90% dei dati clinici accessibili, riguardano queste popolazioni, mentre le minoranze di colore e di altro tipo, per i quali, tuttavia, il melanoma non è una malattia sconosciuta, hanno pochissimi dati a rappresentarli negli studi scientifici. Se l’AI lavora sui dati più facilmente accessibili, è ovvio il rischio di mistificazione ed errore diventa tutt’altro che trascurabile per le minoranze neglette.
Un’altra criticità per l’AI è che sembra che emetta i propri responsi solo sulla scorta di dati già elaborati, e che lo faccia scarsamente sui dati freschi di definizione, ovvero attingendo dai dati di studi retrospettivi e non prospettici, che invece sono una risorsa importante per la pratica clinica, specie in fase di diagnosi. Si tratta ancora di un limite dell’AI, è il primo dei commenti a questa critica. Certo, l’approccio prospettico è il gold standard anche per l’AI, tuttavia, il tesoro dei dati già esistenti – clinici, epidemiologici ecc. – rappresenta una risorsa troppo importante per essere marginalizzata. Attualmente i processi di machine learning sembrano il modo migliore per valorizzare questa gran massa di dati, è la risposta che potrebbe rappresentare un primo accordo fra critici ed estimatori di AI.
Tra questi ultimi sembra poter noverare Ugo Pastorino, Responsabile della struttura di Chirurgia toracica di INT. Nel suo intervento, parlando di screening dei tumori del polmoni, il dott. Pastorino ha ricordato che l’AI in pneumologia è una prassi consolidata da alcuni anni. I processi di identificazione dei noduli, la definizione delle misurazioni volumetriche e la stima dei rischi da enfisema sono alcuni dei campi di valutazione in cui il responso dell’AI difficilmente non è rispondente al vero.