EULAR 2023 - L'intelligenza artificiale può aiutare a prevedere la progressione dell'artrite reumatoide

In uno studio, i ricercatori dell'ospedale universitario di Leiden, nei Paesi Bassi, hanno sviluppato un metodo basato sull'intelligenza artificiale per analizzare automaticamente le risonanze magnetiche di mani e piedi per prevedere l'insorgenza di artrite reumatoide (AR) precoce. Il secondo studio ha coinvolto un gruppo di ricerca giapponese che ha utilizzato il machine learning per creare un modello in grado di prevedere la progressione dall'artrite indifferenziata (UA) all'AR. Entrambi gli approcci faciliterebbero la diagnosi precoce dell'AR, consentendo un trattamento tempestivo e migliori risultati clinici.

"Ci sono tre sfide principali associate allo sviluppo e all'implementazione di strumenti basati sull'IA nella pratica clinica" ha spiegato Lennart Jans, MD, PhD, docente di radiologia ed esperto dell'analisi delle immagini radiologiche assistita dall'IA dell'ospedale universitario di Gand, che non ha preso parte a nessuno dei due studi. "In primo luogo, per addestrare e testare gli algoritmi di IA è fondamentale ottenere set di dati eterogenei provenienti da diversi fornitori di hardware per le immagini, da diversi contesti etnici e da diverse età e generi. In secondo luogo, gli algoritmi di IA devono raggiungere un livello di prestazioni predeterminato in base al caso d'uso specifico. Infine, è necessario seguire un percorso normativo per ottenere la necessaria certificazione dalle autorità sanitarie prima di applicare un caso d'uso dell'IA nella pratica clinica".

Previsione della AR

"Se potessimo determinare se un paziente che si presenta con un'artralgia clinicamente sospetta (CSA) o un'artrite a esordio precoce (EAC) ha la probabilità di sviluppare l'AR nel prossimo futuro, i medici potrebbero iniziare il trattamento prima, riducendo il rischio di progressione della malattia" ha spiegato il primo autore dello studio Yanli Li, della divisione di elaborazione delle immagini dell'ospedale universitario di Leiden.

Attualmente, i reumatologi stimano la probabilità di sviluppare l'AR osservando le RM e attribuendo un punteggio sulla base del sistema RAMRIS. "Abbiamo deciso di esplorare l'uso dell'intelligenza artificiale perché potrebbe far risparmiare tempo, ridurre i costi e la manodopera, eliminare la necessità di addestramento al punteggio e consentire scoperte prive di ipotesi" ha spiegato Li.

Il team di ricerca ha raccolto risonanze magnetiche di mani e piedi dal dipartimento di radiologia: il set di dati comprendeva le immagini di 177 individui sani, 692 soggetti con artralgia clinicamente sospetta (CSA, tra cui 113 che hanno sviluppato RA) e 969 con artrite a esordio precoce (EAC, tra cui 447 che hanno sviluppato AR). Le immagini sono state sottoposte a una pre-elaborazione automatica per rimuovere gli artefatti e standardizzare l'input per il computer. Successivamente, un modello di deep learning è stato addestrato per prevedere lo sviluppo di ARin un arco di tempo di 2 anni.

Il processo di addestramento ha comportato diverse fasi. Inizialmente, i ricercatori hanno pre-addestrato il modello ad apprendere l'anatomia mascherando parti delle immagini e incaricando il computer di ricostruirle. Successivamente, l'IA è stata addestrata a distinguere tra i gruppi (EAC vs. sani e CSA vs. sani), quindi tra AR e altri disturbi. Infine, il modello di intelligenza artificiale è stato addestrato a prevedere la AR.

L'accuratezza del modello è stata valutata utilizzando l'area sotto la curva caratteristica dell'operatore ricevente (AUROC). Il modello addestrato utilizzando scansioni MR delle mani (inclusi il polso e le articolazioni metacarpo-falangee) ha ottenuto un AUROC medio di 0,84 per distinguere l'EAC dai soggetti sani e di 0,83 per distinguere la CSA dai soggetti sani. Il modello addestrato utilizzando scansioni MR sia delle mani che dei piedi ha ottenuto un AUROC medio di 0,71 per distinguere i casi di AR da quelli di non-RA nell'EAC. L'accuratezza del modello nel predire l'AR utilizzando le scansioni MR delle mani è stata di 0,73, che corrisponde molto all'accuratezza del punteggio visivo riportato da esperti umani (0,74). È importante notare che la generazione e l'analisi delle mappe di calore hanno suggerito che il modello di deep learning predice l'AR sulla base di segnali infiammatori noti.

"La previsione automatica dell'AR utilizzando l'interpretazione AI delle risonanze magnetiche è fattibile" ha dichiarato Li. "L'incorporazione di ulteriori dati clinici probabilmente migliorerà ulteriormente la previsione dell'IA e le heatmap potrebbero contribuire alla scoperta di nuovi biomarcatori di risonanza magnetica per lo sviluppo dell'AR".

"I modelli e i motori di IA hanno raggiunto livelli di competenza prossimi alla perfezione per diversi casi d'uso, tra cui l'individuazione precoce dell'AR sulla risonanza magnetica delle mani", ha aggiunto Jans. "Stiamo osservando gli stessi progressi nell'individuazione dell'IA delle malattie reumatiche in altre modalità di imaging, come radiografia, TC ed ecografia. Tuttavia, è importante notare che le prestazioni riportate si riferiscono spesso a coorti selezionate con protocolli di imaging standardizzati. La prossima sfida sarà quella di addestrare e testare questi algoritmi utilizzando set di dati più eterogenei per renderli applicabili in contesti reali".

Una "fase di transizione" nell'applicazione delle tecniche di IA 

"In ambito medico, come informatici, dobbiamo affrontare sfide uniche", ha sottolineato Berend C. Stoel, Msc, PhD, autore senior dello studio di Leiden. "Il nostro team è composto da circa 30-35 ricercatori, principalmente ingegneri elettrici o informatici. La nostra attenzione è rivolta all'elaborazione delle immagini, alla ricerca di soluzioni basate sull'intelligenza artificiale per l'analisi delle immagini, in particolare utilizzando tecniche di deep learning".

Il loro obiettivo è quello di validare questo metodo in modo più ampio, e per farlo richiedono la collaborazione di altri ospedali. Finora hanno lavorato principalmente con un tipo specifico di immagini di risonanza magnetica, in particolare le scansioni di risonanza magnetica degli arti. Queste scansioni sono condotte solo in pochi centri dotati di scanner per la risonanza magnetica delle estremità, che possono ospitare solo mani o piedi.

"Siamo in una fase di transizione, con l'obiettivo di applicare i nostri metodi alle scansioni RM standard, che sono più comuni", ha dichiarato Stoel a Medscape Medical News. "Siamo impegnati in vari progetti. Uno di questi, in fase di completamento, riguarda lo score dell'AR precoce, in cui addestriamo il computer a imitare le azioni dei reumatologi o dei radiologi. Abbiamo iniziato con un approccio relativamente semplice, ma l'intelligenza artificiale offre una moltitudine di possibilità. Nel progetto presentato all'EULAR, abbiamo manipolato le immagini in modo diverso, cercando di prevedere gli eventi futuri. Abbiamo anche un progetto parallelo in cui impieghiamo l'IA per rilevare i cambiamenti infiammatori nel tempo analizzando sequenze di immagini (scansioni MR). Inoltre, abbiamo sviluppato modelli di intelligenza artificiale per distinguere tra gruppi di trattamento e gruppi placebo. Una volta che la rete neurale è stata addestrata per questo compito, possiamo indagare sulla localizzazione e sulla tempistica dei cambiamenti, ottenendo così informazioni sulla risposta della terapia".

"La storia dell'IA ha conosciuto alti e bassi: attualmente ci troviamo in una fase promettente, ma se alcuni progetti dovessero fallire, le aspettative potrebbero diminuire" ha concluso Stoel. "La mia speranza è che si possa davvero rivoluzionare e migliorare la diagnosi, il monitoraggio e la previsione delle malattie. Inoltre, l'IA potrebbe fornirci informazioni aggiuntive che noi, come esseri umani, non siamo in grado di estrarre da queste immagini. Tuttavia, è difficile prevedere a che punto saremo tra 5-10 anni".

Previsione della progressione della malattia 

Il secondo studio, che ha esplorato l'applicazione dell'intelligenza artificiale per prevedere la progressione dell'artrite indifferenziata (UA) in AR, è stato presentato da Takayuki Fujii, MD, PhD, professore assistente presso il dipartimento di medicina avanzata per le malattie reumatiche della Kyoto University's Graduate School of Medicine in Giappone. "Prevedere la progressione dell'AR dalle UA rimane un'esigenza medica insoddisfatta", ha ricordato il relatore.

Il team di Fujii ha utilizzato i dati della coorte KURAMA, un'ampia coorte osservazionale di AR proveniente da un unico centro, per sviluppare un modello di apprendimento automatico. Lo studio comprendeva un totale di 322 pazienti con diagnosi iniziale di UA. Il modello di rete neurale profonda (DNN) è stato addestrato utilizzando 24 caratteristiche cliniche facilmente ottenibili nella pratica clinica di routine, come l'età, il sesso, i livelli di proteina C-reattiva (CRP) e il punteggio di attività della malattia in 28 articolazioni utilizzando la velocità di eritrosedimentazione (DAS28-ESR). Il modello DNN ha raggiunto un'accuratezza di previsione dell'85,1% nella coorte di addestramento. Quando il modello è stato applicato ai dati di convalida provenienti da un set di dati esterni costituito da 88 pazienti della coorte ANSWER, un'ampia coorte multicentrica osservazionale di AR, l'accuratezza di previsione è stata dell'80%.

"Abbiamo sviluppato un modello di apprendimento automatico in grado di prevedere la progressione della AR a partire dall'UA utilizzando parametri clinici", ha concluso Fujii. "Questo modello ha il potenziale per aiutare i reumatologi a fornire cure adeguate e interventi tempestivi ai pazienti con UA".

"Il dottor Fujii ha presentato uno studio affascinante", ha commentato Jans. "Questo livello di accuratezza è relativamente alto e certamente promettente. Tuttavia, è importante considerare che anche una probabilità pre-test del 30% [di progredire da UA a RA] è relativamente alta, il che spiega in parte l'elevata accuratezza. Ciononostante, questo studio rappresenta un significativo passo avanti nella gestione clinica dei pazienti con UA, in quanto aiuta a identificare coloro che possono trarre i maggiori benefici da un regolare follow-up clinico".

Li e Stoel non hanno riferito rapporti finanziari rilevanti con l'industria. Fujii ha ricevuto compensi da Asahi Kasei, AbbVie, Chugai e Tanabe Mitsubishi Pharma. Jans ha ricevuto compensi da AbbVie, UCB, Lilly e Novartis; è cofondatore di RheumaFinder.

Lo studio di Leiden è stato finanziato dal Consiglio olandese per la ricerca e dal China Scholarship Council. Lo studio di Fujii e colleghi non ha ricevuto finanziamenti esterni.