Un Modello di Predizione del Rischio Basato sul Machine Learning per Lesioni Cancerose della Testa e del Collo (ML-HNC-Risk)

La salute vocale è emersa come una sfida di salute pubblica di primo piano. La fonazione si basa su una coordinazione neuromuscolare e respiratoria precisa, un processo fisiologico frequentemente compromesso dall'invecchiamento sistemico, dalla multimorbidità e dalla degenerazione neuromuscolare. Questa complessa interazione fisiopatologica rende estremamente difficile distinguere clinicamente le neoplasie laringee in stadio precoce dai disturbi vocali benigni comuni (ad esempio, cisti delle corde vocali, granulomi del processo vocale e edema di Reinke). Poiché entrambe le entità si presentano tipicamente con raucedine aspecifica o sensazione di globo, la difficoltà dello screening precoce e della diagnosi differenziale accurata è sostanzialmente amplificata.

Attualmente, la diagnosi dei disturbi vocali si basa pesantemente sulla laringoscopia. Tuttavia, a causa della distribuzione disuguale delle risorse mediche, le strutture di assistenza primaria e comunitaria generalmente mancano di strumenti di screening efficaci per le neoplasie laringee durante le consultazioni iniziali, spesso portando a rinvii ritardati per i pazienti ad alto rischio. Inoltre, esiste una profonda disparità nell'esperienza di interpretazione endoscopica tra i diversi livelli assistenziali. Le caratteristiche visive di alcune lesioni precancerose (come la leucoplachia displastica) e delle neoplasie in stadio precoce si sovrappongono considerevolmente, risultando in un alto rischio di diagnosi mancate o biopsie non necessarie di lesioni benigne. Pertanto, incorporare sistematicamente indicatori multidimensionali—inclusi dati demografici (ad esempio, età), storia di fumo e alcol e sintomatologia clinica—nella valutazione del rischio è cruciale per la rilevazione precoce delle neoplasie e l'allocazione ottimale delle risorse sanitarie.

Negli ultimi anni, l'intelligenza artificiale (IA) basata sul deep learning ha dimostrato un enorme potenziale nell'estrazione di caratteristiche dalle immagini mediche, essendo in grado di catturare sottili texture morfologiche impercettibili all'occhio umano. Tuttavia, l'oncogenesi e la progressione delle neoplasie laringee sono guidate dalla confluenza di fattori multidimensionali. Quando affrontano scenari clinici complessi e reali, i modelli di imaging unimodali spesso soffrono di una ridotta generalizzabilità e tassi di falsi positivi elevati a causa dell'assenza del contesto demografico, sintomatico e di esposizione comportamentale del paziente. Il processo decisionale clinico nel mondo reale non è un compito isolato di interpretazione delle immagini; piuttosto, richiede l'integrazione sistematica delle caratteristiche visive con metadati clinici multidimensionali. Sviluppare un framework diagnostico intelligente in grado di fondere dati multimodali è quindi essenziale per superare i colli di bottiglia applicativi degli attuali strumenti di imaging IA unimodali.

Affrontando questi punti critici clinici e limitazioni tecniche, questo studio ha sfruttato una coorte multicentrica nazionale che comprende circa 11.000 pazienti con disturbi vocali per sviluppare e validare un framework di stratificazione del rischio e diagnostico IA multimodale in due fasi. Nella prima fase, integrando caratteristiche demografiche, esposizioni comportamentali e sintomatologia clinica, i ricercatori hanno sviluppato un Modello di Screening Clinico non invasivo e a basso costo. Questo strumento è progettato per fornire alle strutture di assistenza primaria e ai pazienti un sistema di allerta precoce immediato ed efficiente per le neoplasie. Nella seconda fase, basandosi su questa stratificazione del rischio iniziale, i ricercatori hanno impiegato algoritmi di deep learning per estrarre caratteristiche visive microscopiche dalle immagini endoscopiche, culminando in un Modello Diagnostico Multimodale. Questo modello raggiunge una precisa classificazione multiclasse tra neoplasie laringee, comuni lesioni benigne delle corde vocali e anatomia laringea normale. Inoltre, i ricercatori hanno implementato un'applicazione web basata sul cloud per facilitare la stima del rischio in tempo reale.

In definitiva, fornendo questo assistente diagnostico IA di grado clinico, questo studio mira a ottimizzare i percorsi di screening gerarchico e diagnostico per i disturbi vocali, consentendo così ai medici di medicina generale e agli otorinolaringoiatri di assistenza primaria di migliorare la qualità del processo decisionale clinico e l'accuratezza diagnostica.