Calcio Coronarico e Intelligenza Artificiale: La Svolta Hi-Tech per il Tuo Cuore!

Ciao a tutti, appassionati di scienza e tecnologia applicata alla salute! Oggi voglio parlarvi di qualcosa che mi sta particolarmente a cuore (letteralmente!): come l’intelligenza artificiale, e più precisamente il deep learning, sta rivoluzionando un esame fondamentale per la salute cardiovascolare: lo scoring del calcio coronarico (CAC).

Immaginate le arterie coronarie, i piccoli tubi che portano sangue e ossigeno al nostro muscolo cardiaco. Con il tempo, e a causa di vari fattori di rischio, su queste arterie possono formarsi delle placche, un po’ come il calcare nei tubi di casa. Queste placche, se contengono calcio, diventano visibili alla Tomografia Computerizzata (TC). Lo scoring del calcio coronarico, o CACS, è proprio la misurazione di questo calcio, un indicatore preziosissimo del rischio di futuri eventi cardiovascolari come infarti o ictus.

Ma cos’è esattamente questo Calcio Coronarico e perché è così importante?

Il CAC è un biomarker di immagine ormai consolidato. Ci dice quanto sono estese queste placche calcificate nelle coronarie e, di conseguenza, ci aiuta a prevedere meglio il rischio di problemi cardiaci, affinando la stratificazione del rischio rispetto ai soli fattori tradizionali (come colesterolo, pressione, fumo, ecc.). Pensate che le linee guida americane del 2018 raccomandano il CACS per decidere se iniziare o meno una terapia con statine in persone asintomatiche con un rischio cardiovascolare a 10 anni borderline o intermedio. Questo significa evitare trattamenti inutili per alcuni e assicurare interventi più decisi per chi è davvero a rischio. Un bel vantaggio, no?

La cosa interessante è che la presenza di calcio può essere rilevata anche con TC del torace a basso dosaggio (LDCT), quelle usate ad esempio per lo screening del tumore al polmone. Le società scientifiche raccomandano addirittura di documentare una valutazione visiva del CAC da queste scansioni. Però, diciamocelo, la valutazione visiva è un po’ soggettiva e la sua concordanza con il punteggio “ufficiale” (il cosiddetto score di Agatston) è solo moderata. Quantificare manualmente il calcio, d’altro canto, è un lavoro lungo e noioso, complicato da artefatti e rumore nelle immagini, specialmente nelle LDCT non sincronizzate con l’ECG (non-gated).

L’Intelligenza Artificiale scende in campo: ecco il DL-CACS!

Ed è qui che entra in gioco la magia dell’IA! Algoritmi avanzati, basati sul deep learning, promettono una quantificazione più precisa ed efficiente. Immaginate un sistema che impara da migliaia di immagini a riconoscere e misurare il calcio coronarico in modo completamente automatico. Questo è l’obiettivo del DL-CACS (Deep-Learning-based Coronary Artery Calcium Scoring).

Recentemente, uno studio molto interessante si è proposto di validare proprio un sistema di questo tipo, per vedere quanto fosse affidabile sia su TC dedicate allo studio del calcio (ECG-gated, cioè sincronizzate con il battito cardiaco per ridurre gli artefatti da movimento) sia su TC del torace a basso dosaggio non-gated. E la cosa bella è che hanno usato dati provenienti da diversi ospedali e diversi produttori di macchine TC, per essere sicuri che i risultati fossero generalizzabili.

Nello specifico, hanno analizzato un bel po’ di scansioni: 652 casi dall’Ospedale Universitario Nazionale di Seoul (SNUH) che avevano fatto sia la TC gated che la non-gated lo stesso giorno, e un dataset pubblico di Stanford con 425 TC gated e 199 non-gated. Hanno escluso i pazienti con bypass o stent metallici, che avrebbero potuto confondere l’algoritmo.

Il software di DL-CACS utilizzato si basa su un modello chiamato 2D U-net, ed è interessante notare che, prima di analizzare le immagini LDCT, veniva applicato un altro software AI per ridurre il rumore, portando la qualità dell’immagine a un livello simile a quello delle TC standard. Il tutto, su una workstation potente, richiedeva circa 15 secondi per una TC gated e 1 minuto e mezzo per una LDCT. Mica male!

I risultati: l’IA ci vede benissimo (o quasi)!

E veniamo ai risultati, la parte più succosa!

• Per le TC ECG-gated: il DL-CACS ha mostrato prestazioni eccellenti in entrambi i dataset. Parliamo di coefficienti di correlazione (R²) superiori a 0.989, coefficienti di correlazione intraclasse (ICC) superiori a 0.990 e un accordo categorico (kappa, κ) di 0.97. L’accuratezza nel classificare i pazienti nelle categorie di rischio (molto basso, lieve, moderato, da moderato a severo) è stata altissima, con un’area sotto la curva ROC (AUROC) di 0.99. Praticamente perfetto!
• Per le TC non-gated (LDCT):
  • Se si usava come riferimento lo scoring manuale fatto sulle stesse LDCT (nel dataset di Stanford), le prestazioni erano similmente alte: R²=0.988, ICC=0.994, κ=0.96, AUROC tra 0.98 e 0.99. Ottimo!
  • Se, invece, si usava come riferimento lo scoring della TC ECG-gated (considerato il gold standard), le prestazioni per le LDCT erano leggermente inferiori ma comunque robuste. Per il dataset SNUH: R²=0.948, ICC=0.968, κ=0.88, AUROC tra 0.98-0.99. Per Stanford: R²=0.949, ICC=0.948, κ=0.71, AUROC tra 0.89-0.98.

Quindi, il DL-CACS sembra davvero una soluzione affidabile e automatizzata. Questo potrebbe ridurre un bel po’ di lavoro manuale mantenendo prestazioni solide. È particolarmente promettente per le LDCT non-gated, soprattutto in contesti dove una TC ECG-gated specifica per il calcio non è disponibile, come negli screening polmonari.

Perché questa leggera differenza nelle TC non-gated?

Vi chiederete come mai c’è questa piccola differenza di performance quando si confronta il DL-CACS su LDCT non-gated con il riferimento della TC ECG-gated. Beh, ci sono diverse ragioni, e non dipendono tanto da una “colpa” del modello AI, quanto dalle differenze intrinseche tra i due tipi di scansione.

Le TC non-gated sono, per natura, più “rumorose” e soggette ad artefatti da movimento del cuore. Questo può portare a:

• Perdita di informazione: calcificazioni piccole o poco dense potrebbero non essere viste o sottostimate (effetto volume parziale). Questo è stato il motivo principale di sottostima.
• Errori di rilevamento del modello AI: a volte, l’algoritmo stesso può fallire nel rilevare alcune calcificazioni, specialmente in immagini di qualità inferiore.
• Falsi positivi: artefatti da movimento possono essere scambiati per calcio. Altre volte, calcificazioni vicine ma non coronariche (come quelle dell’aorta, delle valvole cardiache o dell’anello mitralico) possono essere erroneamente incluse. In un paio di casi, si è vista addirittura una “allucinazione” di calcio dovuta a un’eccessiva nitidezza dei bordi cardiaci.

Nello studio, analizzando i dati aggregati di 851 casi di LDCT non-gated confrontati con le TC ECG-gated, il 17.2% dei casi è stato classificato in una categoria di rischio diversa. La stragrande maggioranza di questi (92.5%) è stata spostata in una categoria di rischio inferiore. Questo è un punto importante: il sistema tende a sottostimare un po’ nelle LDCT non-gated rispetto al gold standard. La categoria di rischio moderato (CAC 100-299) è stata quella con il maggior tasso di errore.

È interessante notare che questo studio ha integrato un approccio di denoising (riduzione del rumore) basato su IA prima di applicare il DL-CACS, una cosa che non tutti gli studi precedenti avevano fatto. Inoltre, il modello DL-CACS era “addestrato” a calcolare lo score solo in regioni anatomicamente rilevanti e a classificare le calcificazioni non coronariche come una classe separata per ridurre i falsi positivi. Astuto!

Cosa ci portiamo a casa?

Questo studio ci dice che il DL-CACS è uno strumento potente e affidabile. Nelle TC ECG-gated, è praticamente perfetto. Nelle LDCT non-gated, specialmente quelle usate per lo screening polmonare, offre comunque una valutazione robusta del calcio coronarico, pur con una leggera tendenza alla sottostima rispetto alle TC dedicate. Questo è un passo avanti enorme perché potrebbe permettere di ottenere informazioni preziose sul rischio cardiovascolare da esami fatti per altri motivi, senza esami aggiuntivi e senza il carico di lavoro della misurazione manuale.

Certo, ci sono delle limitazioni, come in tutti gli studi. Ad esempio, non si è quantificato il calcio nelle singole arterie, non si è adattata la soglia di rilevazione del calcio per i diversi voltaggi dei tubi RX (anche se si raccomanda di farlo), e non si è tenuto conto dell’indice di massa corporea dei pazienti, che può influenzare il rumore dell’immagine. Ma sono spunti per ricerche future!

In conclusione, il DL-CACS si prospetta come una soluzione che può davvero migliorare l’efficienza del flusso di lavoro diagnostico e supportare in modo più ampio la stratificazione del rischio cardiovascolare. L’intelligenza artificiale, ancora una volta, si dimostra un’alleata preziosa per la nostra salute. E io non vedo l’ora di vedere quali altre meraviglie ci riserverà in futuro!

Fonte: Springer