Page 35 - CnO-250

D ALLE AREE - MALATTIE RARE

Duffy et al. hanno sviluppato un radiotracciante secondo lo score ancora numerosi limiti.
algoritmo basato sul deep learning visuale di Perugini a partire da esami 1. La ritrosia della comunità medica
che, a partire dai frame di immagini scintigrafici condotti su 1334 pazienti. giustificata da vari fattori fra i quali:
ecocardiografiche ottenute dalla Questi modelli hanno dimostrato
sezione 4 camere apicale di 23.745 una performance diagnostica Nonostante si sia ancora
pazienti, ha dimostrato di poter non inferiore a quelli già esistenti
riconoscere fra questi i soggetti e si sono dimostrati in grado di agli albori dell’impiego
con ipertrofia ventricolare sinistra distinguere accuratamente fra esami dell’Intelligenza
(attraverso la misurazione dello negativi (score di Perugini < 2) e
spessore del setto interventricolare) positivi (score di Perugini ≥ 2). Ciò Artificiale in medicina,
e di classificare correttamente dimostra il potenziale diagnostico di è innegabile l’enorme
in questo sottogruppo i soggetti modelli in grado di favorire col loro
con diagnosi specifiche (quali la impiego una diagnosi precoce di potenziale di questa ed il
cardiomiopatia ipertrofica e la amiloidosi cardiaca da transtiretina ruolo che essa potrebbe
amiloidosi cardiaca). Esistono ad anche quando applicati ad esami avere nei prossimi
oggi diversi modelli di deep learning scintigrafici non eseguiti per tale
basati su reti neuronali convoluzionali finalità. Un lavoro del 2020 condotto anni in setting quali la
(convolutional neuronal network, dal gruppo italiano di Pisa ha testato diagnosi di precisione,
CNN) che si sono dimostrati in l’impiego di algoritmi ottenuti col
grado di riconoscere e discriminare deep learning per la predizione la diagnosi precoce e lo
l’iperaccumulo miocardico dei automatizzata della probabilità di screening di popolazione
tracciati ossei impiegati in esami amiloidosi cardiaca su immagini
di caratterizzazione tissutale con nell’Amiloidosi Cardiaca
I dati di imaging da cui late gadolinium enhancement in
partire per la costruzione 206 esami di risonanza magnetica - la scarsa dimestichezza dovuta alla
eseguiti per sospetta amiloidosi.
di algoritmi che facilitino Questa strategia di deep learning mancata formazione in questo ambito
la diagnosi di Amiloidosi è stata confrontata con algoritmi e l’assenza di percorsi formativi
specifici;
basati sul machine learning in
Cardiaca possono essere cui le caratteristiche di risonanza - l’incremento della burocrazia che
estrapolati da esami suggestive di amiloidosi cardiaca ruota intorno alla digitalizzazione dei
dati;
sono state scelte manualmente
ecocardiografici, esami in modo da riprodurre la lettura - la mancanza di leggi che
scintigrafici/SPECT, esami dell’esame da parte di un operatore regolamentino l’applicazione dell’IA
nei vari scenari clinici;
di Risonanza Magnetica esperto. L’algoritmo di deep learning - l’erronea concezione che
ha dimostrato una performance
Cardiaca diagnostica per la diagnosi l’Intelligenza Artificiale si
d’amiloidosi cardiaca da immagini di contrapponga al clinico e possa in
risonanza sovrapponibile alla strategia futuro minare la sua autonomia nella
scintigrafici eseguiti con indicazioni basale sul machine learning. pratica quotidiana.
non cardiologiche (prevalentemente I limiti dell’uso dell’Intelligenza 2. Le difficoltà nella validazione delle
di natura oncologica). Halme Artificiale in medicina tecnologie basale sull’Intelligenza
et al. hanno testato un nuovo Nonostante questi interessanti Artificiale fra le quali:
modello basato su CNN in grado e promettenti dati preliminari, - l’errato disegno di molti trials finora
di riconoscere e discriminare l’applicazione dell’Intelligenza prodotti, che perlopiù hanno validato
l’iperaccumulo miocardico del Artificiale in medicina ha tuttavia gli algoritmi in specifici settori

www.anmco.it/pages/l-associazione/aree-anmco/area-malattie-rare 33