(COVID 19-Immagine: Philip Chikontwe (a sinistra) e il prof. Sang Hyun Park del Daegu Gyeongbuk Institute of Science and Technology (DGIST), Corea del Sud, hanno sviluppato un nuovo framework per un’analisi automatizzata accurata e interpretabile delle scansioni TC del torace. Credito: Daegu Gyeongbuk Institute of Science and Technology).
L’attuale gold standard per la diagnosi di COVID-19 è un tampone nasale seguito da una reazione a catena della polimerasi a trascrizione inversa. Ma tali test richiedono molto tempo e richiedono giorni prima che i risultati siano disponibili. Questo fa perdere tempo cruciale nel trattamento e nella prevenzione della malattia. Recentemente, scienziati coreani hanno sviluppato una struttura computerizzata in grado di interpretare in modo rapido e accurato le scansioni TC del torace per fornire una diagnosi di COVID-19 in pochi minuti, cambiando potenzialmente il modo in cui affrontiamo questa malattia.
In poco più di 18 mesi, il nuovo coronavirus (SARS-CoV-2) ha infettato oltre 18 milioni di persone e causato più di 690.000 morti. L’attuale standard per la diagnosi attraverso la reazione a catena della polimerasi a trascrizione inversa è limitato a causa della sua bassa sensibilità, dell’alto tasso di falsi positivi e dei lunghi tempi dei test. Ciò rende difficile identificare rapidamente i pazienti infetti e fornire loro un trattamento. Inoltre, c’è il rischio che i pazienti diffondano ancora la malattia in attesa dei risultati del loro test diagnostico.
Le scansioni TC del torace sono emerse come un modo rapido ed efficace per diagnosticare la malattia, ma richiedono l’esperienza del radiologo per essere interpretate e talvolta le scansioni sembrano simili ad altri tipi di infezioni polmonari, come la polmonite batterica. Ora, un nuovo articolo pubblicato su Medical Image Analysis, di un team di scienziati, inclusi quelli del Daegu Gyeongbuk Institute of Science (DGIST), Corea del Sud, descrive in dettaglio una tecnica per l’interpretazione automatizzata e accurata delle scansioni TC del torace. “Come accademici che sono stati ugualmente colpiti dalla pandemia di COVID, eravamo desiderosi di utilizzare la nostra esperienza nell’analisi delle immagini mediche per aiutare nella diagnosi più rapida e migliorare i flussi di lavoro clinici”, affermano il Prof. Sang Hyun Park e Philip Chikontwe di DGIST, che hanno guidato lo studio.
Vedi anche:Pillola anti-COVID 19: Pfizer avvia un’ampia sperimentazione
Per costruire il proprio framework diagnostico, il team di ricerca ha utilizzato una tecnica di Machine Learning chiamata “Multiple Instance Learning” (MIL). In MIL, l’algoritmo di apprendimento automatico viene “addestrato” utilizzando insiemi, o “borse”, di più esempi chiamati “istanze”. L’algoritmo MIL utilizza quindi questi sacchetti per imparare a etichettare singoli esempi o input. Il team di ricerca ha addestrato il loro nuovo framework, chiamato MIL basato sul contrasto a doppia attenzione (DA-CMIL), per distinguere tra COVID e polmonite batterica e ha scoperto che le sue prestazioni erano alla pari di altri metodi di analisi delle immagini automatizzati all’avanguardia. Inoltre, l’algoritmo DA-CMIL può sfruttare informazioni limitate o incomplete per addestrare in modo efficiente il proprio sistema di intelligenza artificiale.
Astratto grafico:
Credito Immagine Medical Image Analysis
“Il nostro studio può essere visto sia da un punto di vista tecnico che clinico. In primo luogo, gli algoritmi introdotti qui possono essere estesi a impostazioni simili con altri tipi di immagini mediche. In secondo luogo, la “doppia attenzione”, in particolare l'”attenzione spaziale”, utilizzata nel modello migliora l’interpretabilità dell’algoritmo che aiuterà i medici a capire come le soluzioni automatizzate prendono decisioni”, spiega il prof. Park.
Questa ricerca si estende ben oltre la pandemia di COVID, ponendo le basi per lo sviluppo di sistemi diagnostici più robusti ed economici, che saranno di particolare beneficio per i paesi sottosviluppati o con risorse mediche e umane altrimenti limitate.
Fonte:Medical Image Analysis
