Percival AI scopre malattie nascoste nelle TAC, fase preclinica

Una TAC eseguita per verificare una polmonite può contenere molto più di quella risposta. In una delle sue sezioni, l'occhio di un radiologo potrebbe non cogliere i primi segni di un disturbo del ritmo cardiaco o di un rene che cede, perché nessuno ha posto la domanda. I ricercatori di Penn Medicine hanno sviluppato un modello di intelligenza artificiale che cerca proprio queste cose, e un nuovo studio pubblicato su npj Digital Medicine riferisce che cosa riesce a rilevare.

Il modello, chiamato Percival, è stato addestrato su circa 400.000 TAC di circa 50.000 pazienti, tratte dal Penn Medicine BioBank, che raccoglie dati su più di 350.000 persone nell'ambito del sistema sanitario dell'Università della Pennsylvania, nell'arco di due decenni. La maggior parte degli strumenti di IA deve essere orientata verso una specifica patologia. Percival è progettato per funzionare in background e far emergere schemi a cui nessuno aveva pensato di guardare. Il team afferma di aver trovato nelle scansioni tracce di fibrillazione atriale, un battito cardiaco irregolare, e di malattia renale cronica. Rispetto a un altro modello di IA, TotalSegmentator, Percival ha segnalato tumore del pancreas, cirrosi e polmonite batterica in modo molto più affidabile, secondo gli autori dello studio.

I ricercatori chiamano questo approccio «screening opportunistico»: individuare una malattia su una scansione richiesta per altro motivo. Charles Kahn, professore di radiologia e coautore, sostiene che molti pazienti presentano già una grave malattia cardiaca o metabolica quando arrivano alle cure specialistiche, quindi un'immagine eseguita per un altro motivo potrebbe anticiparne la diagnosi. I risultati sono ancora preclinici. Provengono dai test del team stesso, e il modello non è ancora stato usato su pazienti nella pratica clinica di routine.

Per i pazienti, il vantaggio concreto sarebbe una diagnosi più precoce; per gli ospedali, un modo per ricavare più valore dalle immagini che già eseguono. Gli sviluppatori sperano di sperimentare Percival all'inizio del prossimo anno, con l'obiettivo di portarlo in clinica per un uso regolare. Fino ad allora, i benefici restano una promessa da verificare: il team sta esaminando come set di dati più ampi e dati provenienti da più istituti possano rendere il modello più robusto e predittivo. Il suo codice e le specifiche di addestramento sono open source, quindi anche altri gruppi potranno testarlo.

Penn Medicine sta sviluppando anche altri strumenti. Un modello separato per le risonanze magnetiche cardiache, pensato per aiutare a diagnosticare nuove patologie, ha raggiunto un'accuratezza quasi perfetta in un test, e lo strumento AInSights, sviluppato in precedenza dal team, dovrebbe aiutare a guidare il percorso di Percival verso la clinica.