L’intelligenza artificiale può aiutare a prevedere il rischio di cancro tiroideo sulla base delle immagini ecografiche

I noduli tiroidei sono reperti accidentali frequenti, sia palpatori (il 5% degli adulti), sia ecografici (il 25% circa degli adulti). Sono fonte di preoccupazione, potendo costituire patologia neoplastica, che, statisticamente, risulta interessare circa il 5% dei noduli. L’ecografia e i test molecolari possono essere utilizzati per valutare il rischio di neoplasia maligna. Gli Autori hanno progettato questo lavoro allo scopo di valutare se un modello sviluppato con l’impiego dell’apprendimento automatico può stratificare i noduli tiroidei come ad alto o basso rischio genetico mediante la sola ecografia rispetto alla stratificazione ottenuta mediante test molecolari per l’individuazione di mutazioni ad alto e basso rischio. Lo studio è stato condotto in un singolo istituto accademico per l’assistenza terziaria, un livello specializzato ed altamente tecnico di assistenza sanitaria. Sono stati arruolati i pazienti (n = 121) sottoposti a ecografia e test molecolari per i noduli tiroidei dal 1 gennaio 2017 al 1 agosto 2018. I noduli erano classificati come ad alto rischio o basso rischio sulla base dei risultati di un panel istituzionale di test molecolari per i geni di rischio tiroideo. Tutti i noduli tiroidei che sono stati sottoposti a sequenziamento genetico per i risultati citologici impiegando il sistema Bethesda, che appartenevano alle categorie III (atipia di significato indeterminato (AUS) e lesione follicolare di significato indeterminato (FLUS)) e IV (neoplasia follicolare / sospetta per neoplasia follicolare), sono stati riesaminati. Sono stati esclusi i pazienti senza immagini diagnostiche ecografiche entro 6 mesi dall’aspirazione con ago sottile o che erano stati trattati definitivamente presso un centro medico esterno. I noduli tiroidei sono stati classificati, impiegando il modello sviluppato con l’impiego dell’apprendimento automatico, come ad alto o basso rischio utilizzando le immagini ultrasonografiche. I risultati sono stati quindi confrontati con quelli ottenuti impiegando i test genetici. A conclusioni di tutte le valutazioni statistiche gli Autori hanno rilevato che il modello sviluppato con l’impiego dell’apprendimento automatico è in grado di fornire un’elevata specificità nella individuazione dei noduli con mutazioni ad alto rischio nei test molecolari. Questa scoperta costituisce una interessante prospettiva per l’impiego dell’apprendimento automatico nella diagnostica ecografica nella valutazione dei noduli tiroidei indeterminati.