I sistemi di deep learning migliorano l’accuratezza nell’analisi delle radiografie
La mancata diagnosi di fratture rappresenta una categoria comune di errori medici che può causare osteonecrosi e artrite, con conseguente compromissione della funzione. In questo studio finanziato da Imagen Technologies i ricercatori hanno sviluppato una rete neurale artificiale che ha appreso competenze dai chirurghi ortopedici dell’Hospital for Special Surgery di New York City.
Il sospetto di frattura è uno dei motivi più comuni di accesso al pronto soccorso. Le tecniche di imaging, in particolare la radiografia, rappresentano strumento diagnostico principale per valutare i pazienti con sospetta frattura.
Spesso però succede che chi esamina le radiografie in pronto soccorso non sia un medico radiologo o che non abbia l’esperienza necessaria per identificare con precisione le fratture. In situazioni particolari poi i radiologi esperti da consultare per un secondo parere non sono disponibili. A completare il quadro, si aggiunga che i medici spesso hanno carichi di lavoro eccessivi, che causano affaticamento e suscettibilità agli errori interpretativi. Circostanze come queste aumentano il rischio di un'identificazione errata o imprecisa delle fratture con conseguente impatto negativo sulla cura del paziente. Nei reparti di emergenza la percentuale di fratture non diagnosticate rappresenta tra il 41 e l'80% degli errori diagnostici segnalati.
I sistemi di diagnosi automatizzata (computer-assisted detection, CAD) potrebbero essere una soluzione al problema. Finora i risultati derivati dall’uso di sistemi CAD sono stati contrastanti, ma i recenti progressi nel deep learning* fanno ben sperare per una loro più efficace applicazione clinica. Oggi esistono sistemi computerizzati in grado di risolvere accuratamente molte attività visive che coinvolgono il rilevamento, la localizzazione e la classificazione di oggetti. Nell'ambito dell'imaging medico, il deep learning promette bene in molti campi.
In un recente lavoro un team di ricerca ha sviluppato una rete neurale artificiale (deep neural network) per rilevare e localizzare le fratture nelle radiografie. La rete neurale è stata addestrata grazie al contributo di 18 chirurghi ortopedici che hanno esaminato 135.409 radiografie. È stato poi condotto un esperimento controllato con i medici di medicina di emergenza per valutare la loro capacità di rilevare le fratture nelle radiografie con e senza l'aiuto dell’intelligenza artificiale. La sensibilità media dei clinici è stata 80,8% senza aiuto e 91,5% con l’aiuto. La specificità si è rilevata essere 87,5% senza aiuto e 93,9 % con aiuto aiutato. Il medico mediamente ha avuto una riduzione relativa del tasso di interpretazione errata del 47,0%.
I ricercatori ritengono che lo studio mostri che i metodi di deep learning sono un meccanismo attraverso il quale i medici specialisti esperti possono mettere le loro competenze a disposizione dei colleghi. In questo modo si forniranno miglioramenti sostanziali alla cura del paziente.
* il deep learning, sottocategoria del Machine Learning, non fa altro che creare modelli di apprendimento su più livelli. Il concetto è molto semplice. Immaginiamo di esporre una nozione. La apprendiamo e subito dopo ne esponiamo un’altra. Il nostro cervello raccoglie l’input della prima e la elabora insieme alla seconda, trasformandola e astraendola sempre di più. Scientificamente, è corretto definire l’azione del deep learning come l’apprendimento di dati che non sono forniti dall’uomo, ma sono appresi grazie all’utilizzo di algoritmi di calcolo statistico. Questi algoritmi hanno uno scopo: comprendere il funzionamento del cervello umano e come riesca ad interpretare le immagini e linguaggio. L’apprendimento così realizzato ha la forma di una piramide: i concetti più alti sono appresi a partire dai livelli più bassi. (per saperne di più: http://www.intelligenzaartificiale.it/deep-learning)
Lindsey R, Daluiski A, Chopra S, Lachapelle A, Mozer M, Sicular S, Hanel D, Gardner M, Gupta A, Hotchkiss R, Potter H. Deep neural network improves fracture detection by clinicians. Proc Natl Acad Sci U S A. 2018 Oct 22. pii: 201806905. doi: 10.1073/pnas.1806905115. [Epub ahead of print]