Notizie
Il valore prognostico di miR-21 nel cancro mammario
In tutto il mondo, il tumore della mammella (BC) è una delle neoplasie più comuni tra le donne. Nonostante i […]
Rilevazione del cancro mammario basata sulla mammografia: uso di pipeline di intelligenza artificiale
Il cancro della mammella rimane una delle principali cause di morbilità e mortalità oncologica a livello globale. Per supportare lo screening mammografico, la ricerca si sta orientando sempre più verso lo sviluppo di percorsi di intelligenza artificiale (IA) che siano, al contempo, robusti e interpretabili. Seguendo le linee guida PRISMA 2020, un gruppo di ricercatori ha eseguito una revisione sistematica, combinata con una validazione sperimentale originale, al fine di caratterizzare le evidenze attuali e colmare le lacune identificate in termini di riproducibilità e interpretabilità.
Sono state esplorate in modo esaustivo le banche dati PubMed e Scopus/ScienceDirect alla ricerca di lavori specifici. Alla fine, gli esperti hanno selezionato 45 articoli che utilizzano reti neurali convoluzionali (CNN), macchine a vettori di supporto (SVM) o eXtreme Gradient Boosting (XGBoost) per il rilevamento del cancro della mammella. Parallelamente, sono stati implementati e valutati alcuni modelli rappresentativi — CNN (ResNet-50, EfficientNetB0 e MobileNetV3-Small) e modelli di machine learning classico (SVM e XGBoost) — sul dataset CBIS-DDSM. Il lavoro ha seguito un flusso ispirato alla metodologia CRISP-DM, utilizzando un framework orientato alle operazioni di machine learning (MLOps) e avvalendosi di strumenti come Grad-CAM e SHAP per fornire spiegazioni sia a livello di immagine che di caratteristiche. La revisione sistematica ha fatto emergere una sostanziale eterogeneità nei dataset, nelle procedure di pre-elaborazione e nelle strategie di validazione, evidenziando una dipendenza predominante dalla validazione interna e un uso limitato di metodi di IA spiegabile. Nella valutazione sperimentale, ResNet-50 ha ottenuto le prestazioni migliori (AUC-ROC 0,95; sensibilità 89%), seguita da XGBoost (AUC-ROC 0,90; sensibilità 74%) e SVM (AUC-ROC 0,84; sensibilità 66%), mentre EfficientNetB0 e MobileNetV3-Small hanno mostrato una capacità discriminatoria inferiore.
Le analisi con Grad-CAM hanno prodotto mappe di calore qualitativamente plausibili centrate sulle lesioni, mentre le analisi SHAP indicano che le previsioni dei modelli classici sono dominate da semplici descrittori di dimensione e intensità luminosa dell’immagine.
Gli Autori concludono che è stato evidenziato sia il potenziale che i limiti degli attuali sistemi di IA per la diagnostica mammografica. Emerge chiaramente la necessità di una pre-elaborazione più standardizzata, di rigorose validazioni esterne e dell’uso sistematico di tecniche di IA spiegabile prima di un effettivo impiego in ambito clinico.
Fonte: Medicina (Kaunas). 2025
https://www.mdpi.com/1648-9144/61/12/2237
