Intelligenza artificiale utilizzata per identificare il cancro della pelle

Nella speranza di creare un migliore accesso alle cure mediche, i ricercatori di Stanford hanno addestrato un algoritmo per diagnosticare il cancro della pelle.

È già abbastanza spaventoso fissare un appuntamento dal medico per vedere se uno strano neo potrebbe essere canceroso. Immagina, quindi, di trovarti in quella situazione mentre vivi anche lontano dal medico più vicino, incapace di prenderti una pausa dal lavoro e incerto di avere i soldi per coprire il costo della visita. In uno scenario come questo, la possibilità di ricevere una diagnosi tramite il proprio smartphone potrebbe essere salvavita.

Un dermatologo utilizza un dermatoscopio, un tipo di microscopio portatile, per osservare la pelle. Gli informatici di Stanford hanno creato un algoritmo di diagnosi artificialmente intelligente per il cancro della pelle che eguaglia le prestazioni dei dermatologi certificati. (Credito immagine: Matt Young)

L’accesso universale all’assistenza sanitaria era nella mente degli scienziati informatici di Stanford quando hanno deciso di creare un algoritmo di diagnosi artificialmente intelligente per il cancro della pelle. Hanno creato un database di quasi 130.000 immagini di malattie della pelle e hanno addestrato il loro algoritmo a diagnosticare visivamente un potenziale cancro. Fin dal primo test, ha funzionato con una precisione entusiasmante.

"Ci siamo resi conto che era fattibile, non solo per fare qualcosa di buono, ma anche per un dermatologo umano", ha affermato Sebastian Thrun, professore a contratto presso lo Stanford Artificial Intelligence Laboratory. “È stato allora che il nostro modo di pensare è cambiato. È stato allora che abbiamo detto: "Guarda, questo non è solo un progetto di classe per gli studenti, questa è un'opportunità per fare qualcosa di grande per l'umanità".

Il prodotto finale, oggetto di un articolo nel numero del 25 gennaio di Nature, è stato testato contro 21 dermatologi certificati. Nelle diagnosi delle lesioni cutanee, che rappresentavano i tumori della pelle più comuni e mortali, l’algoritmo ha eguagliato le prestazioni dei dermatologi.

Ogni anno si contano circa 5,4 milioni di nuovi casi di cancro della pelle negli Stati Uniti e, mentre il tasso di sopravvivenza a cinque anni per il melanoma rilevato nei suoi stati più precoci è di circa il 97%, scende a circa il 14% se viene rilevato negli stadi più recenti. . La diagnosi precoce potrebbe probabilmente avere un enorme impatto sugli esiti del cancro della pelle.

La diagnosi del cancro della pelle inizia con un esame visivo. Un dermatologo di solito esamina la lesione sospetta ad occhio nudo e con l'aiuto di un dermatoscopio, che è un microscopio portatile che fornisce un ingrandimento a basso livello della pelle. Se questi metodi non sono conclusivi o portano il dermatologo a credere che la lesione sia cancerosa, il passo successivo è una biopsia.

L’introduzione di questo algoritmo nel processo di esame segue una tendenza nell’informatica che combina l’elaborazione visiva con l’apprendimento profondo, un tipo di intelligenza artificiale modellata sulle reti neurali del cervello. Il deep learning ha una storia decennale nell’informatica, ma solo di recente è stato applicato alle attività di elaborazione visiva, con grande successo. L’essenza dell’apprendimento automatico, incluso il deep learning, è che un computer è addestrato a capire un problema invece di avere le risposte programmate al suo interno.

Andre Esteva (Credito immagine: Matt Young)

"Abbiamo creato un algoritmo di apprendimento automatico molto potente che impara dai dati", ha affermato Andre Esteva, co-autore principale dell'articolo e studente laureato nel laboratorio Thrun. “Invece di scrivere nel codice del computer esattamente cosa cercare, lasci che sia l’algoritmo a capirlo.”

L'algoritmo è stato alimentato con ciascuna immagine come pixel grezzi con un'etichetta di malattia associata. Rispetto ad altri metodi per l'addestramento degli algoritmi, questo richiede pochissima elaborazione o ordinamento delle immagini prima della classificazione, consentendo all'algoritmo di elaborare una più ampia varietà di dati.

Invece di costruire un algoritmo da zero, i ricercatori hanno iniziato con un algoritmo sviluppato da Google che era già stato addestrato per identificare 1,28 milioni di immagini da 1.000 categorie di oggetti. Mentre era preparato per poter differenziare i gatti dai cani, i ricercatori ne avevano bisogno per distinguere un carcinoma maligno da una cheratosi seborroica benigna.