Precisione dell'algoritmo di apprendimento profondo per il rilevamento e la stratificazione del rischio di noduli polmonari

L'osteosarcoma è considerato il tumore osseo maligno più comune nei bambini e negli adolescenti. Circa il 15-20% dei pazienti con osteosarcoma presenta una malattia metastatica rilevabile e la maggior parte dei quali (85%) presenta lesioni polmonari come unica sede di metastasi. Precedenti studi hanno dimostrato che il tasso di sopravvivenza globale tra i pazienti con osteosarcoma localizzato senza malattia metastatica è compreso tra il 60% e il 70% circa, mentre il tasso di sopravvivenza si riduce dal 10% al 30% nei pazienti con malattia metastatica. Sebbene ultimamente i regimi chemioterapici neoadiuvanti e adiuvanti possano ridurre il tasso di mortalità, dal 30% al 50% dei pazienti muore ancora per metastasi polmonari. Il numero, la distribuzione e la tempistica delle metastasi polmonari hanno un valore prognostico per la sopravvivenza e quindi l'imaging del torace con tomografia computerizzata (TC) gioca ancora un ruolo fondamentale nella sorveglianza della malattia. Nell'ultimo decennio, la tecnologia dello scanner CT multidetettore ha migliorato il rilevamento di numerose lesioni polmonari più piccole, che da un lato possono aumentare la sensibilità diagnostica per le metastasi polmonari, tuttavia, la specificità può essere ridotta. Negli ultimi anni, l'algoritmo di intelligenza artificiale (AI) di apprendimento profondo in un'ampia varietà di esami di imaging è un argomento caldo. Attualmente, un numero crescente di sistemi di diagnosi assistita da computer (CAD) basati su tecnologie di apprendimento profondo mirano a uno screening più rapido e a una corretta interpretazione dei noduli polmonari sono stati rapidamente sviluppati e introdotti nel mercato. Finora, le ricerche incentrate sul miglioramento dell'accuratezza della classificazione dei noduli benigni/maligni hanno compiuto progressi sostanziali, ispirati dall'enorme progresso delle tecniche di apprendimento profondo. Di conseguenza, la maggior parte dei sistemi CAD esistenti può eseguire la classificazione dei noduli polmonari con una precisione del 90% superiore. Nella pratica clinica, non solo la determinazione della malignità per il nodulo polmonare, ma anche la distinzione tra carcinoma primario e metastasi intrapolmonari è cruciale per la gestione del paziente. Tuttavia, la maggior parte della classificazione esistente del nodulo polmonare applicata nel sistema CAD rimane un modello binario (benigno Vs maligno), in mancanza di una classificazione più completa dei noduli caratterizzata dalla scissione del nodulo primario e metastatico. Per quanto ne sappiamo, fino ad ora solo pochi studi si sono concentrati sulle prestazioni del sistema CAD basato sull'apprendimento profondo per l'identificazione del nodulo polmonare metastatico. In questo studio proposto, i ricercatori hanno cercato di determinare l'accuratezza e la sensibilità di un sistema assistito da computer basato su un algoritmo di intelligenza artificiale di apprendimento profondo per il rilevamento e la stratificazione del rischio di noduli polmonari nei pazienti con sarcoma osteogenico.