Intelligenza artificiale basata sugli ultrasuoni per la classificazione della sindrome del tunnel carpale

La sindrome del tunnel carpale (STC) è una delle neuropatie periferiche più diffuse, che colpisce circa il 4% della popolazione generale. Viene generalmente classificato in tre gradi: lieve, moderato e grave. Una classificazione accurata della sindrome del tunnel carpale (STC) è essenziale per determinare le opzioni di trattamento appropriate, svolgendo così un ruolo cruciale nell’ottimizzazione dei risultati per i pazienti. I test elettrofisiologici (EST) sono un parametro chiave per la classificazione della sindrome del tunnel carpale (CTS). Tuttavia, è limitato da diversi fattori, tra cui la natura invasiva, la scarsa riproducibilità e la ridotta sensibilità nel rilevare la malattia allo stadio iniziale. Recentemente, gli ultrasuoni hanno guadagnato un’ampia accettazione tra i medici per la valutazione e il grading della CTS. Tuttavia, i radiologi spesso incontrano sfide in questo processo a causa della variabilità nella qualità dell’immagine, delle differenze nell’esperienza e della soggettività intrinseca.

Per affrontare questi problemi, l’intelligenza artificiale presenta una soluzione promettente. Pertanto, questo studio mira a sviluppare un modello di deep learning per la classificazione della CTS sfruttando le funzionalità di imaging multimodale, tra cui l'ecografia in modalità B, l'eccellente imaging microvascolare (SMI) e l'elastografia. Inoltre, i ricercatori intendono convalidare l'efficacia del modello testandolo con immagini provenienti da vari centri clinici, garantendone la generalizzabilità in diversi contesti clinici.