Gli algoritmi di intelligenza artificiale (AI), in particolare l’apprendimento profondo (Deep Learning), hanno dimostrato notevoli progressi nei compiti di riconoscimento delle immagini. Metodi che vanno da reti neuronali convoluzionali ad autoencoder, hanno trovato una miriade applicazioni nel campo dell’analisi delle immagini mediche, portando ottimi risultati in breve tempo.
Storicamente, nella pratica radiologica, i medici valutano visivamente le immagini per il rilevamento, la caratterizzazione e il monitoraggio delle malattie. Grazie invece ai metodi di intelligenza artificiale è possibile analisi dei complessi dati di imaging in modo da ottenere valutazioni quantitative, piuttosto che qualitative, delle caratteristiche radiografiche.
Il principale motore è stato il desiderio di maggiore efficacia ed efficienza nella cura clinica. I dati di imaging radiologico continuano a crescere in modo sproporzionato rispetto al numero di lettori qualificati disponibili. Il declino inoltre nei rimborsi dei costi per l’imaging ha costretto fornitori di assistenza sanitaria ad aumentare la produttività. Questi fattori hanno contribuito ad un drammatico aumento nel carico di lavoro dei radiologi.
Un radiologo medio deve interpretare un’immagine ogni 3-4 secondi in un giorno lavorativo di 8 ore per soddisfare il carico di lavoro richiesto. Poiché la radiologia coinvolge la vista
percezione e processo decisionale sotto incertezza, gli errori sono inevitabili specialmente in condizioni così limitate
Una componente di AI perfettamente integrata all’interno del flusso di lavoro di imaging aumenterebbe l’efficienza, ridurrebbe gli errori ed aiuterebbe a raggiungere gli obiettivi, fornendo ai radiologi esperti immagini pre-schermate e identificate.
L’applicazione del riconoscimento di pattern statistici nei problemi in medicina è stato proposto dall’inizio degli anni ’60. Negli anni ’80, l’AI potenziato ha automatizzato numerosi compiti clinici spostando la radiologia da una disciplina prettamente soggettiva, dipendente cioè dal medico, ad un mestiere per cui è possibile commissionare alcuni compiti all’AI. Il tasso a cui la AI si sta evolvendo è proporzionale alla rapida crescita dei dati ed al potere computazionale, il che si riversa anche in un miglioramento della diagnostica.
Ad oggi esistono due classi di metodi di AI che sono ampiamente utilizzati. Il primo
usa le caratteristiche ingegneristiche classiche che sono definite in termini di equazioni matematiche (come la texture del tumore) e può quindi essere uantificato utilizzando programmi per computer.
Queste funzionalità sono utilizzate come input per la realizzazzione di modelli di machine learning e sono addestrati a classificare i pazienti tali da supportare il processo decisionale clinico.
Il secondo metodo, il Deep Learning, ha guadagnato una notevole attenzione negli ultimi anni.
Gli algoritmi di deep learning possono automaticamente imparare le rappresentazioni delle caratteristiche dai dati senza la necessità di una definizione preliminare da esperti umani. Questo approccio guidato dai dati consente una caratterizzazione più astratta, rendendolo più informativo e generalizzabile. L’apprendimento profondo può quindi quantificare automaticamente il fenotipo caratteristiche dei tessuti umani. L’apprendimento approfondito ha aggiunto il beneficio di ridurre la necessità di passaggi manuali e di pre-elaborazione. Ad esempio, per estrarre funzionalità predefinite, segmentazione accurata di tessuti malati è necessario l’intervento di specialisti.
Tutti questi progressi promettono un aumento nella precisione e una riduzione del numero di compiti di routine che esauriscono tempo e fatica. Allineare le metodologie di ricerca
è cruciale nella valutazione accurata dell’impatto dell’intelligenza artificiale sull’esito del paziente.
Lo sviluppo di numerosi metodi è stato reso possibile grazie alle piattaforme software di deep learning disponibili che ad oggi sono open source. Questo ha favorito, e continua a favorire, la sperimentazione su larga scala. L’aspettativa futura è di usufruire dei dati di acquisizione grezzi. In questo modo si riduce la perdita di informazione dovuta ad un processing ottimizzato per la miglior compressione del radiologo.
Man mano che vengono generati più dati, più segnale è disponibile per l’allenamento.
Tuttavia, è presente anche più rumore. Questa sarà quindi la principale sfida dei ricercatori coinvolti, ottimizzando la riduzione del rumore potrebbe comportare una svolta epocale nell’imaging prediction.
Fonte: Nature.com