L’intelligenza artificiale generativa è sempre più utilizzata per creare immagini mediche fotorealistiche destinate all’educazione dei pazienti, alla comunicazione clinica e alla formazione. Tuttavia, non è ancora chiaro quanto questi sistemi siano in grado di rappresentare correttamente sottotipi di malattia caratterizzati da differenti distribuzioni anatomiche.
Lo studio ha valutato la capacità di un modello generativo di immagini di rappresentare i cinque tipi anatomici di lipedema previsti dalla classificazione di Schmeller. Sono state generate complessivamente 300 immagini, 60 per ciascun tipo, utilizzando richieste standardizzate che indicavano soltanto il sottotipo da rappresentare, senza ulteriori descrizioni.
Due clinici hanno classificato in modo indipendente tutte le immagini, senza conoscere il tipo originariamente richiesto. I risultati hanno mostrato che il modello è stato in grado di rappresentare correttamente e con elevata coerenza anatomica i tipi I, II e III.
Sono invece emerse importanti criticità per i tipi IV e V. Tutte le immagini richieste come tipo IV, caratterizzato da un prevalente coinvolgimento degli arti superiori, e come tipo V, limitato prevalentemente ai polpacci, sono state interpretate dai valutatori come immagini di tipo III. Il modello non è quindi riuscito a produrre rappresentazioni riconoscibili e specifiche di questi due sottotipi anatomici.
L’accuratezza complessiva è risultata pari al 60%. I dati indicano che il sistema è in grado di rappresentare le differenze di estensione del lipedema agli arti inferiori, ma tende a ricondurre le forme anatomicamente più particolari al fenotipo visivo più comune del tipo III.
Lo studio evidenzia quindi un limite importante dell’intelligenza artificiale generativa applicata alla rappresentazione del lipedema. I sistemi attuali sembrano apprendere e riprodurre soprattutto un’immagine dominante e stereotipata della malattia, senza rappresentarne adeguatamente tutta l’eterogeneità anatomica.
Questa limitazione ne riduce, allo stato attuale, l’affidabilità per la formazione medica, l’educazione dei pazienti e la comunicazione clinica, soprattutto quando è necessaria una rappresentazione precisa dei diversi sottotipi anatomici di lipedema.
____________________________________________________
L’articolo risulta pubblicato su PubMed
il titolo originale è Evaluation of generative artificial intelligence in producing anatomically distinct lipedema subtypes: A diagnostic accuracy study
Gli autori dell’articolo per come appaiono indicati sono: ed altri
_____________________________________________________
Puoi trovare l’articolo orginale con tutte le informazioni complete a questo indirizzo qui
