L’IA per i dispositivi medici e la sanità digitale - MATLAB & Simulink

ebook

Capitolo 3

L’IA per migliorare l’imaging medico

L’imaging medico è probabilmente l’applicazione clinica più promettente dell’IA. Che si tratti di diagnosticare un cancro, rilevare una frattura o identificare condizioni neurologiche o toraciche, l’IA può aiutare a diagnosticare rapidamente e assistere il personale medico con le opzioni di trattamento necessarie.

Due immagini polmonari affiancate con sovrapposizioni di dati colorati a occhio di bue con il rosso al centro e il giallo ai bordi. Entrambi indicano una probabile infezione da COVID.

Visualizzazione dei risultati CAM (Class Activation Mapping). Le valutazioni del modello basato sull’IA di diversi casi di COVID-19 fornisce al personale medico informazioni sulle decisioni dell’algoritmo.

Si stima che all’anno si verifichino circa 40 milioni di errori da parte dei radiologi, dovuti al sovraccarico di lavoro o alla scarsa qualità delle tecniche di imaging [4]. Gli algoritmi di IA aiutano i radiologi a formulare diagnosi riconoscendo strutture anatomiche sottili e deducendo significati clinici. L’IA aiuta anche nell’elaborazione e nell’analisi di grandi volumi di immagini in tempi molto più brevi.

L’utilizzo dell’IA nell’imaging medico diagnostico è al centro di una valutazione approfondita. A luglio 2022, il 75% (391) dei dispositivi approvati dalla FDA sul mercato riguardava il solo imaging radiologico [5].

Sfida

L’esposizione alle radiazioni della tomografia computerizzata (TAC) è circa 350 volte superiore a quella di una singola dose di raggi X ed è associata a vari rischi, come il cancro. I ricercatori medici intendono limitare l’esposizione alle radiazioni utilizzando scansioni TAC a bassissimo dosaggio. Tuttavia, questo approccio produce immagini a bassa risoluzione con alti livelli di rumore, che rendono le scansioni di difficile interpretazione per il personale medico.

Diagramma che mostra i layer della rete neurale convoluzionale mentre viene addestrata sulle immagini TAC a bassissimo dosaggio fornite.

CNN addestrate su TAC a bassissimo dosaggio. (Crediti dell’immagine: Ritsumeikan University)

Soluzione

Ryohei Nakayama, un ricercatore della Ritsumeikan University di Kyoto, in Giappone, ha utilizzato MATLAB per creare una rete neurale convoluzionale (CNN) di Deep Learning che ricostruisce immagini ad alta risoluzione acquisite con TAC a bassissimo dosaggio.

  • In un primo momento, il ricercatore ha utilizzato MATLAB per dividere le immagini TAC in piccole regioni locali e accoppiare regioni a basso dosaggio e a dosaggio normale per creare un dizionario di immagini. Man mano che il dizionario cresceva, il tempo di ricerca diventava insostenibile, così Nakayama ha esplorato l’utilizzo di una rete neurale convoluzionale (CNN), che produce risultati molto più velocemente malgrado il tempo di addestramento.
  • Nakayama ha utilizzato MATLAB per valutare circa 128 diverse varianti di CNN, provando diverse dimensioni di input e filtri e vari numeri di layer convoluzionali.
  • Per accelerare il processo di addestramento, ha eseguito l’addestramento in parallelo su più GPU NVIDIA® della serie GeForce utilizzando Parallel Computing Toolbox™.
  • Per monitorare i progressi dell’addestramento, Nakayama ha tracciato la precisione e la perdita utilizzando l’opzione di visualizzazione del monitoraggio di Deep Learning Toolbox™.

Risultati

Il sistema basato su CNN fornisce al personale medico un livello equivalente di informazioni diagnostiche, riducendo al contempo l’esposizione del paziente alle radiazioni fino al 95%.

Leggi l'articolo

Sfida

Piccoli noduli o escrescenze sulla ghiandola tiroidea sono solitamente benigni, ma una piccola percentuale potrebbe essere maligna. Il personale medico impiega l’ecografia per diagnosticare i noduli tiroidei, ma l’accuratezza della diagnosi dipende dall’esperienza del radiologo. I radiologi che valutano lo stesso nodulo possono talvolta giungere a diagnosi diverse.

Soluzione

Un team di ricerca della Yonsei University e del Severance Hospital di Seul, in Corea del Sud, ha utilizzato MATLAB per progettare e addestrare reti neurali convoluzionali (CNN) per identificare noduli tiroidei maligni e benigni. I ricercatori hanno convalidato le CNN con set di dati provenienti da diversi ospedali, le hanno inserite in un pacchetto con interfaccia utente e le hanno distribuite come applicazione web, il tutto utilizzando MATLAB.

Screenshot dell’app web SERA che mostra i risultati maligni dell’analisi di un’immagine ecografica.

App web SERA sviluppata in MATLAB. (Crediti dell’immagine: School of Mathematics and Computing, Yonsei University)

  • Inizialmente hanno utilizzato Statistics and Machine Learning Toolbox per eseguire la progettazione delle feature e addestrare diversi modelli di Machine Learning, tra cui una macchina a vettori di supporto (SVM) e una classificazione a foresta casuale.
  • Il team ha poi iniziato a esplorare le CNN con Deep Learning Toolbox e ha lavorato con 17 diverse reti pre-addestrate in MATLAB, tra cui AlexNet, SqueezeNet, ResNet e Inception.
  • Le 17 reti sono state addestrate su un set di dati di oltre 14.000 immagini. Per la combinazione basata sulle feature hanno utilizzato gli output del layer finale completamente connesso di ciascuna CNN per addestrare un classificatore SVM o a foresta casuale. Per eseguire l’inferenza è stata calcolata la media ponderata della probabilità di classificazione prodotta da ciascuna CNN.
  • Le CNN addestrate sono state rese disponibili negli ospedali con cui collabora la Yonsei University creando un’app web denominata SERA e distribuendola con MATLAB Web App Server™.

Risultati

I test diagnostici hanno dimostrato che queste CNN presentano prestazioni pari a quelle di radiologi esperti. L’applicazione è impiegata dagli studenti di medicina nell’ambito della loro formazione e dai radiologi esperti che necessitano di un secondo parere obiettivo sulle diagnosi.

Leggi l'articolo

Sfida

Durante i primi giorni della pandemia di COVID-19, l’individuazione della malattia da coronavirus è stata difficile, soprattutto per l’elevato numero di casi in aumento in tutto il mondo.

Soluzione

Gli strumenti di rilevamento e diagnosi offrono un prezioso secondo parere al personale medico e assistono nel processo di screening. Un ricercatore della University of Dayton Research Institute (UDRI) ha utilizzato MATLAB e Deep Learning Toolbox per sviluppare un algoritmo di Deep Learning automatizzato per il rilevamento di COVID-19 utilizzando radiografie del torace. Ha inoltre visualizzato i risultati CAM (Class Activation Mapping) per le varie reti addestrate per i diversi casi di COVID-19 al fine di fornire al personale medico informazioni sulle decisioni degli algoritmi.

Sei radiografie polmonari, tre con indicazione di COVID, tre normali.

Risultati della classificazione per scansioni radiografie normali e COVID.

Leggi il blog

Riferimenti

[4] Bruno, Michael A., Eric A. Walker, and Hani H. Abujudeh. “Understanding and Confronting Our Mistakes: The Epidemiology of Error in Radiology and Strategies for Error Reduction.” Radiographics 35, no. 6 (2015): 1668–1676. https://doi.org/10.1148/rg.2015150023.

[5] Center for Devices and Radiological Health. “Artificial Intelligence and Machine Learning (AI/ML) Enabled Medical Devices.” U.S. Food and Drug Administration. FDA. Aggiornato il 5 ottobre 2022. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices