DEEP LEARNING prevede il rischio di malattia dalle immagini mediche 3D
Il modello SLice Integration di Vision Transformer prevede con precisione i fattori di rischio delle malattie analizzando le scansioni attraverso varie modalità di imaging medico volumetrico.
Secondo un recente studio pubblicato su Nature Biomedical Engineering , i ricercatori dell’Università della California di Los Angeles hanno sviluppato uno strumento di intelligenza artificiale che utilizza dati di imaging biomedico 3D per prevedere i fattori di rischio delle malattie.
Il team di ricerca dell’UCLA ha progettato il modello, denominato SLice Integration by Vision Transformer (SLIViT), per utilizzare reti neurali artificiali allo scopo di superare un ostacolo comune allo sviluppo di modelli di intelligenza artificiale per l’analisi di immagini 3D: la mancanza di grandi set di dati.
Le immagini mediche 2D standard mostrano lunghezza e larghezza, ma le immagini 3D aggiungono profondità, consentendo ulteriori approfondimenti sull’organo o sulla malattia catturati dalla scansione. Tuttavia, queste immagini volumetriche richiedono più abilità, attenzione e tempo per essere interpretate dai clinici esperti: i ricercatori hanno indicato che una scansione retinica 3D, ad esempio, potrebbe essere composta da cento immagini 2D.
Questa modalità di imaging richiederebbe un’attenta ispezione da parte di un esperto per trovare biomarcatori di malattie potenzialmente sottili, come il volume di gonfiore nella parte del corpo sottoposta a scansione. Farlo su una scala sufficientemente ampia da creare set di dati di imaging medico 3D robusti per l’addestramento dell’IA rappresenta una sfida per i ricercatori.
“Sebbene esistano molti metodi di intelligenza artificiale per analizzare i dati di imaging biomedico 2D, compilare e annotare grandi set di dati volumetrici che sarebbero necessari ai modelli 3D standard per esaurire il pieno potenziale dell’intelligenza artificiale è irrealizzabile con risorse standard. Esistono diversi modelli, ma i loro sforzi di formazione si concentrano in genere su una singola modalità di imaging e su un organo o una malattia specifici”, ha spiegato il co-primo autore dello studio Oren Avram, Ph.D., ricercatore post-dottorato presso la UCLA Computational Medicine, in un comunicato stampa .
Il team di ricerca afferma che SLIViT ha eguagliato l’accuratezza degli esperti clinici nell’analisi delle scansioni di tomografia a coerenza ottica, delle ecografie del cuore, delle scansioni di risonanza magnetica 3D del fegato e delle scansioni di tomografia computerizzata 3D del torace.
Per superare questo problema, SLIViT sfrutta l’apprendimento approfondito e il pre-addestramento su immagini 2D.
“SLIVIT supera il collo di bottiglia dovuto alle dimensioni del set di dati di addestramento sfruttando le ‘conoscenze mediche’ precedenti provenienti dal dominio 2D più accessibile”, ha affermato il co-primo autore Berkin Durmus, uno studente di dottorato affiliato alla UCLA Samueli School of Engineering.
Il modello utilizza tale conoscenza pregressa per predire i fattori della malattia utilizzando set di dati etichettati e di dimensioni moderate. Preelaborando queste scansioni 3D in immagini 2D ed estraendo le caratteristiche delle immagini rilevanti, lo strumento può anche generalizzare su diverse tecniche di imaging medico .
Nei test, SLIViT ha eguagliato l’accuratezza degli esperti clinici nell’analisi delle scansioni di tomografia a coerenza ottica, delle ecografie cardiache, delle scansioni di risonanza magnetica 3D del fegato e delle scansioni di tomografia computerizzata 3D del torace.
“Dimostriamo che SLIViT, nonostante sia un modello generico, ottiene costantemente prestazioni significativamente migliori rispetto ai modelli all’avanguardia specifici del dominio. Ha un potenziale di applicabilità clinica, eguagliando l’accuratezza delle competenze manuali degli specialisti clinici e riducendo i tempi di un fattore 5.000. E a differenza di altri metodi, SLIViT è flessibile e sufficientemente robusto da funzionare con set di dati clinici che non sono sempre in perfetto ordine”, ha continuato Durmus.
Il team di ricerca ha inoltre sottolineato che le elevate prestazioni dello strumento in condizioni reali, utilizzando meno dati rispetto ai modelli di intelligenza artificiale comparabili, gli conferiscono un potenziale vantaggio significativo rispetto agli approcci tradizionali di annotazione delle immagini biomediche 3D.
I ricercatori hanno inoltre osservato che l’efficienza di SLIViT potrebbe migliorare la tempestività della diagnosi, ridurre i costi di acquisizione dei dati e accelerare la ricerca medica.
“Quando viene identificato un nuovo fattore di rischio correlato a una malattia, possono volerci mesi per formare specialisti in grado di annotare accuratamente il nuovo fattore su larga scala nelle immagini biomediche”, ha affermato Eran Halperin, Ph.D., professore di informatica e medicina computazionale presso l’UCLA. “Ma con un set di dati relativamente piccolo, che un singolo medico qualificato può annotare in pochi giorni, SLIViT può accelerare notevolmente il processo di annotazione per molti altri volumi non annotati, raggiungendo livelli di prestazioni paragonabili a quelli degli specialisti clinici”.
Riproduzione Techtarget.com
