Tecno

L’intelligenza artificiale può migliorare la diagnosi del diabete tipo 2

Adv

Segmentazioni del pancreas nei pazienti di ciascuno dei cinque gruppi di grasso viscerale. Le prestazioni di segmentazione sono migliori per i pazienti con grasso viscerale più elevato (il gruppo 5 è il più alto). Le percentuali di grasso viscerale a livello L1 per i pazienti specifici mostrati qui erano 9,81% nel gruppo 1, 13,72% nel gruppo 2, 20,19% nel gruppo 3, 27,88% nel gruppo 4 e 32,42% nel gruppo 5; I coefficienti di somiglianza dei dadi erano rispettivamente 0,36, 0,62, 0,78, 0,81 e 0,86. Nelle immagini di segmentazione automatizzata, l’area verde indica la segmentazione completa e l’area gialla indica la segmentazione dopo l’erosione. Oss. = osservatore.
CREDITO
Società radiologica del Nord America

Utilizzando un modello di apprendimento profondo di intelligenza artificiale (AI) completamente automatizzato, i ricercatori sono stati in grado di identificare i primi segni di diabete di tipo 2 sulle scansioni TC addominali, secondo un nuovo studio pubblicato sulla rivista Radiology .

Adv

Il diabete di tipo 2 colpisce circa il 13% di tutti gli adulti e un ulteriore 34,5% degli adulti soddisfa i criteri per il prediabete. A causa della lenta insorgenza dei sintomi, è importante diagnosticare la malattia nelle sue fasi iniziali. Alcuni casi di pre-diabete possono durare fino a 8 anni e una diagnosi precoce consentirà ai pazienti di apportare modifiche allo stile di vita per alterare la progressione della malattia.

L’imaging TC addominale può essere uno strumento promettente per diagnosticare il diabete di tipo 2. L’imaging TC è già ampiamente utilizzato nelle pratiche cliniche e può fornire una quantità significativa di informazioni sul pancreas. Precedenti studi hanno dimostrato che i pazienti con diabete tendono ad accumulare più grasso viscerale e grasso all’interno del pancreas rispetto ai pazienti non diabetici. Tuttavia, non è stato fatto molto lavoro per studiare il fegato, i muscoli e i vasi sanguigni intorno al pancreas, ha affermato il co-autore senior dello studio Ronald M. Summers, MD, Ph.D., ricercatore senior e radiologo del personale presso il National Institutes of Health Centro clinico a Bethesda, nel Maryland.

“L’analisi delle caratteristiche sia pancreatiche che extra-pancreatiche è un approccio nuovo e non è stato mostrato in lavori precedenti a nostra conoscenza”, ha affermato il primo autore Hima Tallam, BSE, MD/Ph.D. alunno.

L’analisi manuale di immagini TC pancreatiche senza mezzo di contrasto a basse dosi da parte di un radiologo o di uno specialista qualificato è un processo che richiede tempo e difficile. Per affrontare queste sfide cliniche, è necessario migliorare l’analisi automatizzata delle immagini del pancreas, hanno affermato gli autori.

Per questo studio retrospettivo, il Dr. Summers e colleghi, in stretta collaborazione con l’autore co-senior Perry J. Pickhardt, MD, professore di radiologia presso la University of Wisconsin School of Medicine & Public Health, hanno utilizzato un set di dati di pazienti sottoposti a routine screening del cancro del colon-retto con TC presso l’Università del Wisconsin Hospital and Clinics. Degli 8.992 pazienti sottoposti a screening tra il 2004 e il 2016, a 572 era stato diagnosticato il diabete di tipo 2 e a 1.880 la disglicemia, termine che si riferisce a livelli di zucchero nel sangue troppo bassi o troppo alti. Non c’era sovrapposizione tra diabete e diagnosi di disglycemic.

Per costruire il modello di apprendimento profondo, i ricercatori hanno utilizzato un totale di 471 immagini ottenute da una varietà di set di dati, tra cui Medical Data Decathlon, The Cancer Imaging Archive e la sfida Beyond Cranial Vault. Le 471 immagini sono state quindi suddivise in tre sottoinsiemi: 424 per l’addestramento, 8 per la convalida e 39 per i set di test. I ricercatori hanno incluso anche i dati di quattro cicli di apprendimento attivo.

Il modello di deep learning ha mostrato risultati eccellenti, dimostrando praticamente nessuna differenza rispetto all’analisi manuale. Oltre alle varie caratteristiche pancreatiche, il modello ha anche analizzato il grasso viscerale, la densità e i volumi dei muscoli e degli organi addominali circostanti.

I risultati hanno mostrato che i pazienti con diabete avevano una densità del pancreas inferiore e una maggiore quantità di grasso viscerale rispetto ai pazienti senza diabete.

“Abbiamo scoperto che il diabete era associato alla quantità di grasso all’interno del pancreas e all’interno dell’addome dei pazienti”, ha detto il dottor Summers. “Più grasso c’era in queste due posizioni, maggiore era la probabilità che i pazienti avessero il diabete per un periodo di tempo più lungo”.

I migliori predittori del diabete di tipo 2 nel modello finale includevano la percentuale di grasso intrapancreatico, la dimensione del frattale del pancreas, la gravità della placca tra il livello della vertebra L1-L4, l’attenuazione media della TC epatica e l’IMC. Il modello di apprendimento profondo ha utilizzato questi predittori per discernere accuratamente i pazienti con e senza diabete.

“Questo studio è un passo verso un uso più ampio di metodi automatizzati per affrontare le sfide cliniche”, hanno affermato gli autori. “Potrebbe anche informare il lavoro futuro che studia il motivo dei cambiamenti del pancreas che si verificano nei pazienti con diabete”.

###

“Biomarcatori TC addominali completamente automatizzati per il diabete di tipo 2 utilizzando il deep learning”. Collaborando con Tallam e il dott. Summers e Pickhardt erano Daniel C. Elton, Ph.D., Sungwon Lee, MD, Ph.D., e Paul Wakim, Ph.D.

Radiology è curato da David A. Bluemke, MD, Ph.D., University of Wisconsin School of Medicine and Public Health, Madison, Wisconsin, e di proprietà e pubblicato dalla Radiological Society of North America, Inc. ( https://pubs .rsna.org/journal/radiology )

RSNA è un’associazione di radiologi, oncologi delle radiazioni, fisici medici e scienziati correlati che promuove l’eccellenza nella cura dei pazienti e nella fornitura di assistenza sanitaria attraverso l’istruzione, la ricerca e l’innovazione tecnologica. La società ha sede a Oak Brook, Illinois. ( RSNA.org )

Per informazioni a misura di paziente sulla TC addominale, visitare RadiologyInfo.org .