Uno studio sottoposto a revisione paritaria e pubblicato su Nature Communications descrive un sistema chiamato ALLocate: un plugin basato su IA che si collega a un microscopio convenzionale e automatizza il rilevamento della leucemia acuta da vetrini con strisci di midollo osseo. L’importanza di tutto ciò è facile da sottovalutare. La maggior parte degli strumenti diagnostici basati su IA in patologia è progettata attorno a scanner per intera scansione del vetrino, i quali sono costosi e largamente non disponibili negli ambienti clinici con minori risorse. ALLocate è stato progettato specificamente per funzionare senza uno di essi.
Il problema che è stato costruito per risolvere
La diagnosi della leucemia da strisci di midollo osseo è un’attività che richiede ematopatologi esperti, una specialità che non è distribuita uniformemente in tutto il mondo. Dove l’esperienza specialistica è scarsa, i ritardi nella diagnosi sono comuni, e i ritardi nella diagnosi della leucemia comportano conseguenze gravi. Il normale approccio assistito da IA a questo problema si è affidato a scanner per intera scansione del vetrino: dispositivi che digitalizzano un intero vetrino di vetro ad alta risoluzione, producendo un file di immagine che il software può quindi analizzare. Questi scanner sono accurati e ben validati, ma il loro costo li pone fuori dalla portata di molti ospedali e cliniche.
ALLocate segue una strada diversa. Piuttosto che digitalizzare l’intero vetrino in anticipo, il sistema guida il microscopio stesso, navigando sul vetrino in modo autonomo per identificare regioni di interesse, rilevare singole cellule e arrivare a una diagnosi a livello di vetrino. Il plugin si collega direttamente a un microscopio convenzionale, il tipo già presente nella maggior parte dei laboratori clinici a livello globale. La differenza di costo tra questo approccio e uno scanner per intera scansione del vetrino viene descritta nella ricerca come sostanziale.
Cosa mostrano realmente i numeri
Il team di ricerca, basato principalmente presso il Memorial Sloan Kettering Cancer Center e la University of California San Francisco, ha addestrato e valutato ALLocate su un set di dati di oltre 11.000 regioni annotate e più di 130.000 cellule annotate. Questi non sono numeri piccoli nel contesto della ricerca sulla patologia computazionale. La scala di annotazione richiesta per raggiungere questo punto rappresenta un investimento significativo di tempo umano esperto.
Le prestazioni sono state valutate su tre livelli distinti dell’attività diagnostica. Per l’identificazione di regioni di interesse su un vetrino, il sistema ha ottenuto un’area sotto la curva ROC maggiore di 0,99, una metrica in cui 1,0 rappresenta una discriminazione perfetta. Per il rilevamento di singole cellule, ha raggiunto una precisione media del 0,90 al 50% di intersezione su unione. Per l’attività end-to-end di diagnosi di un vetrino di vetro fisico, ha raggiunto l’88% di precisione.
La validazione è stata condotta utilizzando coorti multi-istituzionali indipendenti, inclusi 165 vetrini fisici con strisci di midollo osseo. Il coinvolgimento dei servizi di ematopatologia del Memorial Sloan Kettering Cancer Center e della University of California San Francisco nella raccolta dei campioni e nella digitalizzazione dei vetrini aggiunge peso istituzionale al processo di validazione. Lo studio è stato sostenuto in parte dai National Institutes of Health e dal National Cancer Institute.
Perché questa scelta architetturale è importante oltre la medicina
Ecco cosa la maggior parte della copertura sulla diagnostica basata su IA tralascia: il collo di bottiglia nell’IA sanitaria globale è raramente l’algoritmo. È l’infrastruttura che l’algoritmo presuppone. Un modello che raggiunge il 99% di precisione su un set di dati di benchmark è clinicamente irrilevante se distribuirlo richiede hardware che costa più del budget annuale per le apparecchiature di una clinica rurale.
ALLocate rappresenta una filosofia di progettazione che parte dal vincolo anziché dall’ideale. Invece di chiedersi “quanto possiamo renderlo accurato dato il miglior hardware disponibile”, i ricercatori hanno chiesto “quanto possiamo renderlo accurato dato l’hardware che già esiste”. La risposta, a un’accuratezza dell’88% a livello di vetrino su vetrini di vetro fisico, non è perfetta. Ma è un sistema che può essere effettivamente distribuito.
Questa distinzione è importante oltre la medicina. In molti domini, lo sviluppo dell’IA si è concentrato sull’ottimizzazione delle prestazioni in condizioni che favoriscono gli ambienti ben forniti di risorse: internet veloce, hardware potente, grandi set di dati etichettati e supervisione di esperti. Il risultato è un divario crescente tra ciò che l’IA può fare in un contesto di ricerca e ciò che può fare sul campo. ALLocate è un esempio concreto di ricerca che tratta questo divario come il problema ingegneristico primario, non come un pensiero secondario.
L’approccio della microscopia a guida autonoma illustra anche qualcosa che vale la pena comprendere su come i sistemi di IA possano potenziare i flussi di lavoro esistenti anziché richiederne di completamente nuovi. Il microscopio convenzionale non scompare. Diventa la piattaforma. L’IA gestisce il volume e la navigazione; l’infrastruttura umana già in loco gestisce il resto.
In breve
ALLocate è un plugin di IA che trasforma un microscopio standard in uno strumento automatizzato per lo screening della leucemia, addestrato su oltre 130.000 cellule annotate e validato su vetrini di midollo osseo fisici attraverso molteplici istituzioni. Raggiunge l’88% di precisione diagnostica a livello di vetrino senza richiedere uno scanner per intera scansione del vetrino. Il punto più ampio è architettonico: il sistema è stato progettato attorno ai vincoli degli ambienti a basse risorse, non adattato successivamente ad essi. Questa scelta di design è ciò che lo rende potenzialmente distribuibile dove è più necessario.
Basato su un articolo di Nature: Machine Learning.