Notizie
Rapporto costo-efficacia dello screening per cancro mammario nei Paesi europei: revisione sistematica
Il cancro della mammella rimane il tumore più diagnosticato nei Paesi europei, con diverse modalità di screening che richiedono una […]
Uso dell’intelligenza artificiale nella diagnosi ecografica dei tumori ginecologici pelvici
Axel Geysels e i suoi collaboratori hanno eseguito una revisione sistematica e una meta-analisi di studi dedicati all’intelligenza artificiale (IA) focalizzati sull’identificazione e la differenziazione dei tumori ginecologici pelvici tramite ecografia. Sono stati inclusi studi sullo sviluppo o la validazione di modelli di IA per la diagnosi ecografica di tumori pelvici.
La ricerca è stata eseguita su PubMed, Embase, Web of Science e Cochrane Central dalla loro creazione fino al 30 aprile 2024. Per valutare la qualità degli studi, lo strumento QUADAS-2 per il rischio di bias è stato adattato alle sfide specifiche dell’IA nell’imaging medico. Attraverso modelli a effetti casuali multilivello, è stata eseguita una meta-analisi per generare stime dell’area sotto la curva (AUC), della sensibilità e della specificità. Come punto di riferimento, le prestazioni aggregate sono state confrontate con quelle del modello ADNEX, ampiamente riconosciuto per la validazione esterna. Alla fine, gli esperti hanno selezionato 44 studi: 40 sulla patologia ovarica, 3 su quella endometriale e 1 su quella miometriale. Complessivamente, il 95% degli studi presenta un alto rischio di bias, principalmente a causa di criteri di inclusione inappropriati, mancanza di separazione a livello di paziente dei set di immagini per training e test e assenza di valutazione della calibrazione. Per i tumori ovarici, l’AUC complessiva dei modelli di IA nel distinguere tra tumori benigni e maligni è stata di 0,89 (95% CI: 0.85–0.92). Negli studi a minor rischio di bias, l’AUC è scesa a 0,87 (95% CI: 0.83–0.90), in cui i modelli di deep learning hanno superato gli approcci di machine learning basati sulla radiomica. Solo 5 studi hanno incluso una validazione esterna. In una recente revisione sistematica degli studi di validazione esterna, il modello ADNEX ha mostrato un’AUC aggregata di 0,93 (95% CI: 0.91–0.94) in studi a basso rischio di bias.
Gli Autori concludono che, sebbene i modelli di IA mostrino prestazioni discriminative promettenti, la maggior parte degli studi presenta carenze metodologiche che comportano un elevato rischio di bias. Inoltre, il modello ADNEX sembra superare la maggior parte degli approcci di IA per i tumori ovarici. La ricerca futura dovrebbe dare priorità a disegni di studio più robusti — idealmente coorti ampie, multicentriche e prospettiche che riflettano la popolazione reale — insieme a validazioni esterne, calibrazioni adeguate e protocolli di reportistica standardizzati.
Fonte: Gynecol Obstet Invest. 2026
https://karger.com/goi/article/91/1/115/926758/Artificial-Intelligence-Applied-to-Ultrasound
