Le parole “intelligenza artificiale” in radiologia hanno sempre suscitato interesse curiosità e stupore ma anche preoccupazione e timore. L’aumento di precisione ed efficienza che l’apprendimento automatico e l’intelligenza artificiale possono portare alla pratica radiologica possono scatenare un senso di presentimento e paura di essere resi obsoleti.
La maggior parte del personale di imaging pensa all’intelligenza artificiale come destinata all’apprendimento automatico per assistere in attività come valutazioni anatomiche dettagliate o rilevamento e documentazione di lesioni patologiche. Allo stesso tempo, i radiologi temono che un giorno l’apprendimento automatico potrebbe sostituirli nell’attività di interpretazione di casi semplici che sono state un punto fermo della loro routine quotidiana. I tecnici di radiologia vedono anno dopo anni la gestione dei parametri delle apparecchiature passare a processi automatici gestiti dalla macchina.
Tuttavia, raramente si pensa al di la dell’impatto immediato sulla pratica radiologica classica e non si pensa ai potenziali benefici e le opportunità che l’apprendimento automatico e l’intelligenza artificiale possono significare per le operazioni di radiologia.
Ci sono infatti molti altri modi in cui si possono sviluppare soluzioni di trattamento dati che possano migliorare le operazioni nei dipartimenti di radiologia.
Pensiamo per esempio alle pratiche di programmazione esami, di scelta della metodica e scelta del protocollo di studio. i. Non di rado infatti , i pazienti vengono studiati con metodiche di imaging che non sono ideali per la loro particolare condizione clinica e con tempistiche che non corrispondono alle necessità dei trattamenti. Si potrebbe immaginare di addestrare algoritmi di apprendimento automatico per migliorare il supporto decisionale per la creazione delle richieste estraendo dei dati dalla cartella clinica e ricercando precedenti patologici importanti. Questi potrebbero precompilare i campi i di supporto decisionale che consentirebbero ai professionisti anche non radiologi di selezionare l’esame di imaging più appropriato per le condizioni del paziente senza dover rianalizzare completamente le condizioni cliniche attuali del paziente.
Una volta identificato l’esame corretto, altri algoritmi di apprendimento automatico potrebbero basarsi su migliaia di esami precedenti simili per prevedere tempistiche, basandosi anche su fattori di rischio legati a condizioni di comorbilità particolari (ad esempio difficoltà respiratoria o accesso endovenoso limitato).
Si potrebbero anche creare pianificazioni intelligenti per i reparti e le apparecchiature di imaging che non si basano su durate di esame preesistenti ma vengono adattate sulla base della previsioni di procedura prevista per ciascun paziente del futuro prossimo. Una volta programmato un esame in uno slot di imaging personalizzato , si potrebbe già avere a disposizione indicazioni di protocollo di imaging appropriato per il problema clinico in questione. Alcuni dipartimenti molto avanzati a livello informatico hanno iniziato ad protocollare in modo automatico alcuni esami, in genere quelli piu semplici per ora, anche perche condizioni cliniche più complesse richiedono una revisione più attenta di tutti i dati. Come detto quindi gli algoritmi di apprendimento automatico potrebbero essere addestrati a prescrivere il protocollo corretto sulla base dell’esperienza di protocollo precedente di migliaia di pazienti precedenti con condizioni cliniche simili. I radiologi non saranno più frustrati dalla lettura di esami di imaging eseguiti su apparecchiature di imaging con protocolli tutt’altro che ideali per il quesito clinico, e non dovrebbero piu dedicare tempo a queste procedure ma focalizzare maggiormente l’attenzione sull’interpretazione delle immagini, ottimizzando potenzialmente il loro flusso di lavoro e migliorando la loro efficienza.
Se immaginato su un’intera flotta di risorse di imaging, questa struttura informatica potrebbe anche prevedere il carico di lavoro di determinate apparecchiature e consentire l’aggiunta di pazienti sulla base della condizione loro clinica, di dove si trovano e della disponibilità immediata.
Oltre a questo l’evoluzione dell’IA ha già portato un impatto significativo sul miglioramento della qualità di immagine e sulla diminuzione della dose di radiazioni utilizzata, o sul tempo di acquisizione nel caso per esempio dello studio RM. Esami più brevi significano maggiore produttività e maggiore efficienza nelle nostre pratiche. Oltre a ridurre semplicemente i tempi di scansione delle immagini, gli algoritmi intelligenti dei nostri scanner sono in grado di rilevare eventuali problemi relativi alla qualità dell’immagine e di avvisare che dovrebbe essere necessario ripetere gli esami prima che i pazienti lascino la struttura o il reparto.
Altri miglioramenti importantissimi potrebbero essere applicati alla sicurezza possono essere migliorate con algoritmi di apprendimento automatico, tra cui l’estrapolazione dalla cartella clinica elettronica alla ricerca documenti relativi a impianti metallici che potrebbero creare limitazioni agli esami MRI . Ancora, trovare subito precedenti allergie di contrasto che non sono state documentate in documenti clinici. Dal punto di vista tecnologico, forse una delle maggiori opportunità per gli algoritmi di apprendimento automatico è la postelaborazione L’imaging multiplanare di routine e il rendering volumetrico di anatomie complesse possono essere notevolmente migliorati con strumenti di apprendimento automatico, riducendo potenzialmente i costi degli operatori tecnici.
Una volta eseguiti gli esami, questi vengono generalmente indirizzati a una lista di lavoro comune condivisa tra diversi radiologi. Nella pratica generale, queste liste di lavoro verranno lette da una serie di radiologi con background ed esperienze diverse. Alcuni potrebbero aver svolto borse di studio in neuroradiologia, mentre altri potrebbero aver svolto borse di studio in imaging del seno. Dal punto di vista operativo, può essere utile indirizzare automaticamente determinati esami a radiologi con particolare esperienza. Ad esempio, un numero limitato di radiologi potrebbe essere specialista in un determinato campo clinico e se l’algoritmo automatico rileva un paziente che potrebbe avere questa condizione indirizzerebbe automaticamente il caso ad uno di quei radiologi.
Ripensando quindi ai punti presi in considerazione viene da immaginare che il futuro che ci aspetterà non sarà fatto da radiologi o tecnici che vengono sostituiti dall’intelligenza artificiale, ma da radiologi o tecnici che vengono sostituiti da loro colleghi che usano in modo efficace questi nuovi strumenti tecnologici.