Studio di fattibilità per lo sviluppo di MoleGazer

Sfondo

L'incidenza del melanoma è in rapido aumento con 15.906 nuovi casi nel Regno Unito (Regno Unito) nel 2015 che hanno provocato 2.285 decessi. La diagnosi precoce del melanoma è essenziale poiché la malattia allo stadio iniziale ha un tasso di sopravvivenza relativa a 5 anni > 95% rispetto all'8-25% per il melanoma avanzato. Nel Regno Unito, si prevede che i costi del cancro della pelle supereranno i 180 milioni di sterline entro il 2020 e rappresenteranno una significativa morbilità (e mortalità) per le persone colpite. Fino al 60% dei melanomi derivano da nevi (nevi) preesistenti. La diagnosi precoce del melanoma si basa sul riconoscimento dei cambiamenti nei nevi e, per gli individui con più nevi, la valutazione esperta di questi nevi da parte di dermatologi esperti che utilizzano ausili diagnostici come la dermoscopia (ingrandimento x10). Inoltre ci sono prove che la sorveglianza sequenziale dei nevi aumenta anche i tassi di rilevamento del melanoma.

La fotografia totale del corpo (TBP) è un ausilio diagnostico per il monitoraggio di nevi multipli

Per i pazienti ad alto rischio di sviluppare melanoma con nevi multipli (>60), la fotografia totale del corpo (TBP) (immagini standardizzate di parti del corpo acquisite utilizzando una fotocamera ad alta risoluzione) viene utilizzata come ausilio per tracciare, confrontare e monitorare i nevi su tempo ed è stato dimostrato che migliora la diagnosi di melanoma. Il monitoraggio di sorveglianza a breve termine raccomandato per i nevi è di 3 mesi, ma è in gran parte limitato a singole lesioni. In un Servizio Sanitario Nazionale (NHS) con risorse limitate, la frequente sorveglianza per nevi multipli da parte di un dermatologo è poco pratica e inefficiente, tanto che la diagnosi precoce del melanoma si basa efficacemente sull'autosorveglianza del paziente. Una potenziale soluzione è l'analisi automatizzata delle immagini TBP utilizzando l'intelligenza artificiale (AI) per tracciare e monitorare i nevi nel tempo.

L'intelligenza artificiale applicata alla TBP potrebbe migliorare l'efficienza della "mappatura delle talpe"

La precedente valutazione AI delle lesioni cutanee ha dimostrato un'accuratezza equivalente a quella di dermatologi esperti nella diagnosi del cancro della pelle, tuttavia ciò si basava sull'analisi di una singola lesione in punti temporali statici (con diagnosi comprovate da biopsia). L'uso di lesioni programmate per l'escissione (cioè, alto sospetto clinico di melanoma) limita gravemente l'applicabilità clinica e una revisione Cochrane ha concluso che l'utilità del rilevamento assistito da computer per la diagnosi di melanoma nelle cure secondarie rimane sconosciuta. La domanda clinicamente più rilevante è se automatizzato il rilevamento dei cambiamenti nei nevi mediante immagini sequenziali di TBP, clinicamente denominate "mappatura dei nei", può effettivamente migliorare la diagnosi precoce del melanoma.

Ad oggi, i sistemi TBP nel NHS hanno un'automazione limitata, limitata alla memorizzazione e al recupero delle immagini. Sebbene esista un sistema di scansione total body automatizzato, e in futuro possa incorporare la diagnosi basata sull'intelligenza artificiale oltre agli attuali algoritmi di acquisizione delle immagini e corrispondenza delle lesioni, una validazione clinica completa e qualsiasi successiva implementazione nel NHS saranno costose a causa dell'investimento richiesto in il sistema di scansione (costo attuale 1 milione di dollari). Non è noto se sia possibile ottenere risultati uguali o migliori utilizzando apparecchiature di acquisizione di immagini più convenzionali e sofisticate tecniche di intelligenza artificiale. I ricercatori propongono una nuova applicazione dei metodi di intelligenza artificiale astronomica per il rilevamento precoce del melanoma utilizzando la sorveglianza standard dei nevi basata su TBP che è attualmente impiegata nel NHS e può essere utilizzata in aggiunta alla revisione clinica degli individui.

Applicazione di tecniche di intelligenza artificiale astronomica al monitoraggio TBP di nevi multipli

La scienza transitoria in astronomia mira a rilevare e tracciare l'evoluzione di nuove fonti astronomiche come le stelle che esplodono. Mostrando un'evoluzione sia a lungo che a breve termine, i singoli eventi vengono rilevati confrontando nuove immagini con dati di archivio e classificati in base a un set di caratteristiche, tra cui luminosità transitoria, colore, movimento corretto ed estensione. Indagini astronomiche all'avanguardia monitorano il cielo ogni notte su scale temporali pluriennali per identificare sottili cambiamenti. Le tecniche di intelligenza artificiale (come foreste casuali e reti neurali ricorrenti; RNN) che utilizzano la cronologia completa delle serie temporali e le informazioni contestuali vengono abitualmente utilizzate per identificare e classificare gli eventi in modo probabilistico. Con ogni nuova osservazione che fornisce informazioni aggiuntive, le indagini transitorie astronomiche possono rilevare e caratterizzare regolarmente nuove fonti, in modo tale che l'evoluzione di nuove fonti possa essere prevista con una precisione del 99,5% sulla base di soli tre punti temporali.

Questa sfida affrontata in astronomia è analoga alla "mappatura delle talpe" per gli individui ad alto rischio di sviluppare il melanoma; sia le fonti naevi che quelle astronomiche possono essere caratterizzate come fonti distinte su uno sfondo omogeneo che vengono tracciate su più immagini per rilevare il cambiamento. I ricercatori ipotizzano quindi che le tecniche di intelligenza artificiale astronomica siano ideali per affrontare questo problema clinico e stanno sviluppando il progetto MoleGazer per testarlo.

Fondamento logico

Per sviluppare l'algoritmo MoleGazer, gli investigatori richiedono un set di dati di base per applicare algoritmi di intelligenza artificiale astronomica alle immagini TBP per rilevare e tracciare i nevi attraverso immagini sequenziali. Al momento non ci sono database pubblicamente disponibili di immagini TBP per gli investigatori per testare questa fattibilità e quindi in questo studio l'obiettivo è raccogliere:

1. una coorte di serie temporali di immagini TBP acquisite in punti temporali sequenziali fissi nell'arco di 2 anni
2. una coorte di base di immagini TBP con immagini sequenziali scattate in qualsiasi punto temporale Raccogliendo immagini TBP consentirà agli investigatori di studiare la sensibilità del rilevamento e della caratterizzazione dei nevi sul tono della pelle, i livelli di illuminazione, la registrazione delle immagini e le tecniche di sottrazione dello sfondo, consentendo agli investigatori per automatizzare anche il rilevamento dei nevi e tracciare la loro evoluzione in qualsiasi immagine sequenziale che il team di studio ha. Lo sviluppo di questo database consentirà ai ricercatori di dimostrare la fattibilità dell'applicazione di metodi di intelligenza artificiale astronomica alle immagini TBP.