Centro Studi GISED


Vai ai contenuti
Cambia lingua  IT EN

Pillole di Dermatologia - settembre 2020

Statistica applicata in dermatologia

Pubblicata il 18/9/2020


statisticaSulla rivista
Journal of Investigative Dermatology è presente una sezione denominata "Research Tecnique Made Simple" in cui esperti di vari settori spiegano alcune tecniche utilizzate nella ricerca clinica e nell'analisi dei risultati.

Nell'ultimo numero viene spiegata una tecnica statistica, la LCA ("latent class analysis" o analisi di classi latenti), che aiuta a rilevare la presenza di
cluster nascosti nei dati, cioè sottogruppi che hanno una data probabilità di avvenire e sono caratterizzati da una combinazione specifica e prevedibile delle caratteristiche analizzate.

Questo tipo di analisi statistica non ha avuto grandi applicazioni in dermatologia. Una ricerca in Medline fino a Febbraio 2020 ha ritrovato 6159 articoli in cui è stata usata la metodica LCA, e di questi solo 37 trattavano condizioni dermatologiche. In particolare le aree di applicazione erano: classificazione di malattie allergiche ed eczema, analisi di comportamento in relazione a differenti fattori di rischio ad esempio in malattie sessualmente trasmesse, classificazione di altre malattie (psoriasi, dermatomiosite, vitiligine, idradenite suppurativa, ulcere cutanee e condizioni psicodermatologiche) e modello di risposta a farmaci e reazioni avverse.

È significativa la mancanza di studi nell'area dell'oncologia cutanea ed il numero limitato di studi relativi a malattie infiammatorie diverse dall'eczema.

Gli autori osservano che, con l'aumento delle informazioni in medicina, una grande quantità di dati possono essere raccolti e tecniche di analisi come la LCA possono essere usate per analizzarli alla ricerca di cluster, soprattutto quando classi latenti rare sono presenti.

Una delle aree dermatologiche per cui la ricerca di LC potrebbe essere utile è ad esempio la caratterizzazione di sintomi come prurito e dolore, dove fattori clinici, psicologici e di comportamento possono interagire, e soprattutto il campo dell'oncologia della pelle, al fine di analizzare modelli di presentazione e progressione del cancro e valutare quale possa essere l'impatto di misure preventive o terapeutiche (1).

A cura della Redazione scientifica.

  1. Naldi L, Cazzaniga S. Research Techniques Made Simple: Latent Class Analysis. J Invest Dermatol. 2020;140(9):1676-1680.e1.


Diagnosi umane e virtuali, nuove possibilità?

Pubblicata il 18/9/2020


diagnosi virtualiLa recente pandemia da COVID-19 ha accelerato l'uso di sistemi diagnostici a distanza o di telemedicina. Sempre più medici e pazienti in tutto il mondo, non potendo incontrarsi negli ambulatori e negli ospedali, hanno adottato sistemi virtuali per visite e diagnosi. Molti medici, prima contrari all'uso di questi sistemi di visita a distanza, sono stati costretti ad utilizzarli e la necessità ha velocizzato un processo, già in corso in molti paesi, ma spesso rallentato da problemi tecnici, economici e culturali. Ad esempio, in Italia, in molti ospedali, mancano le risorse informatiche e tecniche necessarie e spesso la rete non è in grado di sostenere la richiesta sia sulle linee fisse che su quelle mobili. E in nazioni meno sviluppate i problemi sono ancora maggiori.

Ma nello stesso tempo aumenta la richiesta di sistemi automatici di diagnosi basati su forme di Intelligenza Artificiale (AI), utili soprattutto nel caso di lesioni cutanee, per rendere possibile un rapido screening di immagini prima della diagnosi definitiva da parte del dermatologo.

Mentre finora l'intelligenza artificiale era considerata quasi in competizione con la diagnosi umana, un articolo pubblicato da
Nature Medicine sostiene che sarebbe auspicabile una collaborazione tra computer ed essere umano nel riconoscimento di tumori cutanei ad altro.

L'Intelligenza Artificiale nel campo della immagini può migliorare l'accuratezza di diagnosi di lesioni cutanee, ma finora il suo uso era visto in contrapposizione alle diagnosi fatte dai clinici osservando direttamente le lesioni: secondo alcuni studi, in presenza di lesioni selezionate, l'AI sarebbe equivalente o addirittura superiore agli esperti umani nella diagnosi basata su immagini, in condizioni sperimentali.

Ma cosa potrebbe succedere se computer e dermatologi potessero collaborare invece di gareggiare tra loro?

Per valutare questa possibilità gli autori dello studio hanno addestrato un particolare tipo di "convolutional neural network", un rete neurale denominata ResNet34, utilizzando un archivio di immagini pubblicamente disponibili su lesioni pigmentate appartenenti a sette categorie diagnostiche sia di tipo maligno (melanomi, carcinomi basocellulare, cheratosi attiniche e carcinomi intraepiteliali) che di tipo benigno (nevi melanocitici, lesioni cheratinocitiche benigne, dermatofibromi e lesioni vascolari).

In seguito hanno esaminato come la collaborazione computer-uomo possa essere influenzata dal modo in cui l'esito della valutazione del computer (CNN) è presentato agli esperti umani: in particolare sono stati paragonati vari tipi di "output" della rete neurale usata come supporto alle decisioni dei valutatori umani.

In tutto 302 medici e dermatologi di 41 nazioni sono stati invitati a partecipare come valutatori: 169 dermatologi esperti, 77 dermatologi tirocinanti e 38 medici di base che dovevano diagnosticare gruppi di immagini, prima da soli e poi con il supporto della rete neurale.

Utilizzando differenti rappresentazioni di AI: probabilità multiclasse basata su AI, probabilità di malignità basata su AI, CBIR (
content-based image retrieval) basata su AI e probabilità multiclasse basata su alti numeri di precedenti validazioni fatte dai medici (crowd-based), gli autori giungono alla conclusione che, fornendo un sostegno di buona qualità basato sull'Intelligenza Artificiale, aumenta l'accuratezza diagnostica, sia rispetto al solo uso dell'AI che rispetto alle decisioni prese solo dai medici. Inoltre, se si considera il grado di esperienza dei medici, quelli meno esperti sono favoriti dal sostegno dell'Intelligenza Artificiale.

Risulta però importante la qualità del sostegno fornito dall'AI: se questa viene a mancare anche i medici più esperti possono incorrere in errori diagnostici.

La valutazione dei sistemi basati su Intelligenza Artificiale in condizioni reali, cioè nelle mani di valutatori esperti, potrebbe migliorare le capacità diagnostiche della macchina, facilitando anche il lavoro dei medici, soprattutto in periodi o zone geografiche in cui risulta difficile incontrare direttamente i pazienti (1).

A cura della Redazione scientifica.

  1. Tschandl P, Rinner C, Apalla Z, et al. Human-computer collaboration for skin cancer recognition. Nat Med. 2020;26(8):1229-1234.



Aggiornato il 13 nov 2020  -  Centro Studi GISED  P.I. 02274270988 | Condizioni d'uso    Privacy    Credits

Torna ai contenuti | Torna al menu
Facebook Twitter LinkedIn Email