Cos’è un sistema CAD?
Sistemi CAD
n sistema CAD consiste in un software per l’individuazione automatizzata di strutture patologiche,
usualmente attraverso l’analisi di immagini medico-diagnostiche.
Per noi di ADAM, la sigla è acronimo di Computer Assisted Detection, e non di Computer Assisted Diagnosis,
come talvolta si intende1. Una diagnosi implicherebbe, infatti, una classificazione di un paziente in sano o
patologico, obiettivo eccessivamente ambizioso: i nostri sistemi si occupano invece esclusivamente di
localizzare regioni sospette, o di individuare specifiche manifestazioni di patologia, da sottoporre poi al
medico.
L’importanza rivestita da un CAD è legata al fatto che l’analisi di un esame diagnostico non è un’operazione
semplice. Ad esempio, ogni scansione toracica TAC per un sospetto tumore polmonare consta anche di
trecento immagini bidimensionali, che vanno analizzate una per una.2 Una neuroimmagine in Risonanza
Magnetica è composta da parecchie decine di “fette” da esaminare con cura alla ricerca della “firma”
lasciata da un tumore o dall’atrofia di un tessuto. Il compito di vagliare visualmente le immagini può essere
particolarmente difficoltoso, e comportare un grande dispendio di tempo con la probabilità che il medico
incorra in errori. Infatti, le immagini diagnostiche possono spesso presentare rumore, e talvolta il contrasto
fra i vari tessuti può non essere adeguato ai fini della chiara interpretazione delle immagini. A queste
difficoltà, va aggiunto il fatto che, spesso, regioni patologiche, specialmente se in fase iniziale, possono
presentare strutture anatomico-morfologiche molto simili a quelle della naturale conformazione del
tessuto in esame. Per riprendere l’esempio del CAD per il tumore polmonare, nel tessuto parenchimale i
noduli hanno, se osservati sezione per sezione, le stesse caratteristiche morfologiche, e la stessa tonalità di
grigio dei vasi sanguigni, presenti nella medesima area di osservazione, e la distinzione è possibile solo con
un accurato lavoro di analisi reiterata delle sezioni TAC. Si stima che, proprio per questa ragione3, fino al
30% dei tumori polmonari non vengano diagnosticati se non in seguito a diverse sedute, e con il carcinoma
già in fase avanzata. Se intervenisse un altro medico come secondo lettore (blind reader), a dare un
ulteriore parere, si osserverebbe una drastica riduzione delle rilevazioni errate (circa il 12%). Questa
soluzione, però, si rivela incompatibile con la realtà ospedaliera.
Un sistema CAD può rivestire un importante ruolo di supporto nella pratica dello screening o nella normale
prassi clinica4 come
Copyright by ADAM (Advanced Data Analysis in Medicine - http://adam.unisalento.it)
o primo lettore, nell’ambito dello screening di massa, rivolto alla popolazione ad alto rischio. In tale
situazione, è presente un’ingente quantità di dati da analizzare, la maggior parte dei quali
corrispondenti a pazienti sani. Il sistema può selezionare le immagini potenzialmente patologiche,
in modo da richiamare in primo luogo su di esse l’attenzione del medico. Il sistema CAD in questi
casi dovrà ridurre al minimo il numero di falsi negativi in modo che i casi positivi vengano presto
analizzati dal medico: di conseguenza, crescerà anche la quantità di falsi positivi, da sottoporre
all’osservazione del radiologo.
o secondo lettore. In questo caso, il software offre un ausilio al medico nell’usuale pratica clinica,
proponendo un secondo parere, per favorire una diagnosi più accurata. Come secondo lettore, il
CAD dovrà aiutare a minimizzare il numero di falsi positivi, aumentando anche la percentuale di
veri positivi identificati.
L’utilizzo di un sistema computerizzato, caratterizzato da grande riproducibilità e stabilità, che assista il
radiologo nel suo lavoro, può offrire una diagnosi più celere e uno standard più elevato di accuratezza. Il
sistema CAD può divenire uno strumento di grande utilità per il medico, per il quale il lavoro si presenta
gravoso e ripetitivo5, anche perché la maggior parte delle immagini diagnostiche sono prive di patologie.
Esso, non pretende in alcun modo la sostituzione del radiologo, ma propone solo di coadiuvarlo,
accrescendone l’accuratezza in casi difficilmente analizzabili dal solo giudizio umano.
Di seguito, sono esposte le caratteristiche principali e la struttura di un sistema CAD.
Struttura di un sistema CAD
Un CAD consiste generalmente dei seguenti passi fondamentali:
o Preprocessamento. Il primo step consiste nella pulizia dell’immagine acquisita dal “rumore”
eventualmente presente. Il processo deve favorire la successiva individuazione di tessuto malato e
formazioni patologiche. È necessario che il filtro di preprocessamento sia sufficientemente
efficiente da eliminare i disturbi dalle immagini, ma da preservare caratteristiche che potrebbero
essere oggetto di studio importante.
o Segmentazione. Fase di circoscrizione (delineazione, contornamento) della zona interessata, che
successivamente verrà sottoposta alla ricerca delle patologie. La segmentazione permette di
ridurre il tempo di elaborazione degli stadi seguenti, e di operare esclusivamente sul tessuto
d’interesse, limitando il numero di falsi positivi rilevati dai successivi algoritmi di ricerca (gli
Copyright by ADAM (Advanced Data Analysis in Medicine - http://adam.unisalento.it)
algoritmi di analisi non sono cioè fuorviati dalla ricerca in regioni anatomiche dove la patologia in
oggetto non può essere presente). E’ una fase da eseguire con cura, perché le aree che sono
scartate durante la segmentazione non possono più essere recuperate negli stadi successivi; non si
può rischiare dunque di trascurare zone potenzialmente malate. Per esempio, supponendo di
lavorare su un CAD per la ricerca di patologie neoplastiche polmonari, occorre selezionare
nell’immagine i soli polmoni, scartando il resto delle strutture anatomiche.
o Individuazione delle regioni d’interesse. Si ricercano le zone dette ROI (Regions Of Interest, regioni
di interesse) che, in base alle loro caratteristiche anatomico-morfologiche, potrebbero ospitare una
patologia. Ad esempio, nel caso di un CAD per la ricerca di neoplasie polmonari, vengono
selezionate zone che, per il loro aspetto, potrebbero contenere noduli.
o Estrazione di feature dalle ROI. Si identificano dei parametri o misure, comunemente indicati con il
termine anglosassone di feature, che, assumendo valori diversi nelle zone sane e in quelle malate,
permettano di caratterizzare le regioni d’interesse. È fondamentale effettuare un’opportuna scelta
dei feature in modo che siano il più discriminanti possibile. La scelta varia in base alla patologia e
all’organo in esame. Si sottolinea come gli aspetti peculiari delle diverse patologie siano tanti e vari
che un set di feature valido per un tipo di tessuto, quale quello polmonare, risulta spesso di scarsa
utilità per l’indagine di lesioni tumorali di altri organi, quale ad esempio la mammella.
o Analisi dei feature e classificazione delle ROI. In questa fase avviene l’analisi dei dati, e si
classificano le ROI, in base al valore dei feature, in regioni patologiche e regioni normali. Si ricorre
all’utilizzo di classificatori supervisionati, in particolare di reti neurali artificiali, che vengono
addestrati mediante l’utilizzo di set di immagini di cui si conosca lo stato di normalità o patologia
(immagini già refertate dai medici). In seguito all’addestramento i classificatori sono in grado di
analizzare le immagini successivamente fornite, applicando e generalizzando quanto acquisito.
La catena di operazioni di un sistema CAD parte dunque da un’immagine diagnostica sospetta, ad esempio
una scansione di tomografia computerizzata, e giunge a fornire in output un elenco di zone malate (ad
esempio formazioni nodulari).
Riferimenti bibliografici
1.
Paik D.S., ‘Computer Aided Interpretation of medical images’, Tesi di Dottorato, Università di
Stanford, Agosto 2002.
Copyright by ADAM (Advanced Data Analysis in Medicine - http://adam.unisalento.it)
2.
3.
4.
5.
Grossi E., ‘Gli errori medici: un'altra chiave di lettura per auspicare l'avvento di una computer
science amica’, Direzione medica Bracco Milano,
http://www.geragogia.net/editoriali/errorimedici.html
Doi K., ‘Computer-aided diagnosis in radiology: potential and pitfalls’, Eur. Jour. Of Radiology 31
(1997) pp 97-109.
Gurcan M.N., Sahiner B., Petrick N., Chan H., Kazerooni E.A., Cascade P.N.,Hadjiiski L., ’Lung nodule
detection on thoracic computed tomography images: Preliminary evaluation of a computer aided
diagnosis system’, Med. Phys. 29(11), pp.2552-2558 (2002).
Bates D.W., Cohen M., Leape L.L., Overhage M., Shabot M., Sheridan T., ‘Reducing the Frequency of
Errors in Medicine Using Information Technology’. J. Am. Med. Inform. Assoc. 2001; 8:299-308.
Copyright by ADAM (Advanced Data Analysis in Medicine - http://adam.unisalento.it)
