La sclerosi multipla (SM) è una comune condizione neurodegenerativa e infiammatoria demielinizzante del sistema nervoso centrale. La SM è caratterizzata da lesioni focali e neurodegenerazione diffusa nel midollo spinale e nel cervello. Gli individui con SM soffrono di una significativa disabilità cognitiva e fisica, che a volte causa il ritiro prematuro dal mondo del lavoro. A livello globale, circa 2,8 milioni di persone convivono con la SM. La terapia modificante la malattia (DMT) si è rivelata altamente efficace e riduce il rischio di recidiva della malattia. L’attività infiammatoria è un importante substrato patologico che riduce il peggioramento associato alla recidiva (RAW). La risposta dei pazienti affetti da SM alla DMT viene valutata annualmente mediante risonanza magnetica (RIM).
La risonanza magnetica svolge un ruolo fondamentale nella valutazione delle malattie neurologiche. Allo stesso modo, la risonanza magnetica e altre modalità di imaging facilitano la diagnosi della SM e il monitoraggio di questa malattia e della sua risposta alla DMT. La mancanza del volume 3D FLAIR precedente o attuale nei sistemi di archiviazione e comunicazione delle immagini (PACS) rappresenta una limitazione per il rilevamento accurato di piccole lesioni. Il volume delle lesioni nuove o in espansione influenza le strategie di trattamento che generalmente non vengono rilevate nella pratica radiologica clinica di routine. Nei metodi tradizionali, l’esperienza dei radiologi è estremamente importante per analizzare il carico complessivo delle lesioni FLAIR che riflette la gravità della malattia.
Il confronto tra grave perdita di volume cerebrale e controlli sani di pari età fornisce informazioni prognostiche significative. L’accuratezza di queste informazioni dipende dall’ispezione visiva dei radiologi. I cambiamenti nel volume del cervello durante gli intervalli di 12 mesi tra le scansioni MRI sono piccoli e potrebbero non essere determinati mediante ispezione visiva. L’incapacità di identificare cambiamenti a breve termine nel volume cerebrale è una causa significativa di traiettorie avverse legate agli esiti della SM e influenza le decisioni cliniche di modificare o intensificare la DMT. Lo sviluppo di algoritmi di intelligenza artificiale per l’imaging medico ha consentito l’automazione nel rilevamento clinico. L’intelligenza artificiale (AI) è stata utilizzata anche per la segmentazione delle strutture cerebrali e l’analisi di diverse patologie cerebrali.
Un ultimo studio ha valutato l’efficacia di iQ-SolutionsTM, di seguito denominato iQ-MS, sulla base di un’ampia coorte di scansioni MS. Le valutazioni delle scansioni sono state condotte in modo indipendente da radiologi esperti in contesti clinici. I ricercatori hanno ipotizzato che gli strumenti basati sull’intelligenza artificiale possano valutare in modo più sensibile e accurato i rapporti di scansione MRI dell’attività della malattia rispetto ai metodi convenzionali basati su rapporti radiologici. Le scansioni cerebrali sono state analizzate da iQ-Solutions™ in formato DICOM mediante una raccolta di algoritmi AI basati sulla tecnologia della rete neurale profonda. Questi algoritmi sono stati progettati sulla base di 8.500 scansioni cerebrali annotate abilmente da esperti analisti di neuroimaging. È stata creata una coorte di riferimento sulla base delle scansioni MRI di oltre 3.000 controlli sani e di un campione indipendente di 839 persone con SM.
Il sistema iQ-SolutionsTM genera dati per l’intero cervello in sezione trasversale e longitudinale, parametri delle lesioni e sottostruttura cerebrale rilevanti per la SM. Questo strumento di intelligenza artificiale consente la visualizzazione di numerosi sistemi di archiviazione e comunicazione delle immagini (PACS) affinché i radiologi possano esaminarli. Le immagini scansionate vengono automaticamente sottoposte a controllo di qualità per sequenze 3D-T1 e 3D FLAIR pre-contrasto ottimali, contenenti oltre 30 sezioni con uno spessore di tre millimetri (mm) o più. L’attività della lesione in diversi momenti temporali è stata misurata da iQ-Solutions, indicando lo sviluppo di lesioni nuove e ingrandite. Inoltre, iQ-MS ha rivelato lesioni ingrandite come nuovi voxel lesionati collegati a lesioni esistenti riportate in uno studio precedente.
LG-Net è un modello di lesion-inpainting per l’analisi volumetrica del cervello e della sottostruttura. Questo sistema è stato applicato alle immagini 3DT1 per migliorare il bias di segmentazione prodotto a causa della presenza di lesioni della SM. In particolare, iQ-Solutions esegue numerosi controlli tra i due punti temporali della scansione. Lo strumento iQ-MS è dotato dell’algoritmo DeepBVC, che valuta la variazione longitudinale del volume dell’intero cervello. Un modello di segmentazione basato sull’intelligenza artificiale integrato ha consentito la stima della variazione del volume dell’intera materia grigia e del talamo. Inoltre, iQ-MS offre dati volumetrici per i singoli pazienti come valori normalizzati. Questo strumento fornisce dati sulla volumetria cerebrale e sui volumi delle lesioni della SM confrontati con un ipotetico paziente con SM di età, disabilità e durata della malattia simili.
Ciò ha consentito un riferimento clinicamente significativo ed sul piano dell’esperienza. I risultati sperimentali supportano l’utilizzo di iQ-MS per monitorare le persone con SM. Rispetto a un rapporto di laboratorio di analisi MRI e ai rapporti radiologici, l’attuale strumento di intelligenza artificiale offre una migliore valutazione clinica. I risultati dello studio evidenziano che l’utilizzo di iQ-MS potrebbe migliorare l’imaging clinico, la ricerca specifica sulla malattia e la gestione dei singoli pazienti affetti da SM in tempo reale.
- A cura del Dr. Gianfrancesco Cormaci, PhD, specialista in Biochimica Clinica.
Consigliati in questo sito
Cambiare la visione della biologia corrente: la strategia vincente per capire davvero la sclerosi multipla (03/07/2023)
Recidive della sclerosi multipla: l’influenza di allergie, infezioni e gravidanza e come gestirle (08/05/2022)
Sclerosi multipla: l’intelligenza artificiale identifica tre nuove forme (07/04/2021)
Pubblicazioni scientifiche
Barnett M, Wang D et al. NPJ Digital Med. 2023; (1):1-9.