In uno studio diretto e coordinato dal Dipartimento di Ingegneria dell’Informazione e dal Dipartimento di Specialità Medico-Chirurgiche, Scienze Radiologiche e Sanità Pubblica dell’Università degli Studi di Brescia, un gruppo di ricercatori ha studiato, per la prima volta a livello internazionale, la capacità prognostica delle tecniche di Intelligenza Artificiale (Deep Learning e Computer Vision) a partire dall’analisi delle immagini radiografiche del torace (CXR) impiegate nella stima del grado di severità della polmonite da Covid-19.
Coinvolte nel recupero dei dati le aziende Philips Italia ed El.Co e il team IT dell’ASST Spedali Civili di Brescia.
Dall’analisi di diverse migliaia di immagini, corrispondenti al flusso completo di radiografie dei pazienti Covid-19 ricoverati da inizio marzo a inizio aprile presso la Asst Spedali Civili di Brescia – un ordine di grandezza superiore alla numerosità dei database pubblicamente disponibili – BrixIA-Net, la nuova architettura di Deep Learning progettata dall’Università degli Studi di Brescia, è stata in grado di descrivere il grado di compromissione polmonare dei pazienti (interstiziale e alveolare), sulla base di un sistema di punteggio CXR espresso in sei valori (corrispondenti ad altrettante zone polmonari), ad indicare una progressiva gravità della polmonite. Questo sistema di valutazione, denominato Brixia-score, è stato sviluppato dai medici della Unità Operativa Radiologia 2 diretta dal Prof. Maroldi ed è stato integrato nell’attività clinica quotidiana dai giorni in cui la pressione sui reparti di degenza, e di riflesso sulle Radiologie dell’ASST Spedali Civili, è stata maggiore.
La rete BrixIA-Net, opportunamente addestrata su un vasto insieme di immagini radiografiche e di dati di refertazione Brixia-score, nonché su altri database radiografici pubblici, si è dimostrata un ausilio estremamente efficace nella diagnosi e nella valutazione di gravità della polmonite da Covid-19.
«Alla luce delle performance registrate, pari o addirittura superiori a quelle dei singoli radiologi – spiega il prof. Alberto Signoroni del Dipartimento di Ingegneria dell’Informazione, responsabile scientifico dello studio – il nostro studio supporta la possibilità di utilizzare questo strumento in scenari collaborativi uomo-macchina per un monitoraggio assistito dal calcolatore della progressione della malattia. Vengono infatti generate, con una nuova tecnica pensata appositamente per questo caso studio, mappe di “spiegabilità” altamente risolute, ovvero feedback visivi che permettono al radiologo di valutare meglio sia i suggerimenti che gli eventuali errori della macchina».
«Per assolvere a tutte le fasi, dall’identificazione e mappatura dei polmoni alla valutazione del grado di compromissione nelle varie aree, abbiamo progettato un’architettura che riunisce in un unico modello diverse tecnologie allo stato dell’arte» – osserva il neo-dottore di ricerca Mattia Savardi, che ha curato lo sviluppo del software.
«L’applicazione delle tecniche di deep learning e computer vision nell’ambito dell’Imaging diagnostico non è una novità. L’elemento di novità – dichiara il prof. Davide Farina del Dipartimento di Specialità Medico-Chirurgiche, Scienze Radiologiche e Sanità Pubblica – è rappresentato dal fatto che l’intelligenza artificiale, in questo caso, fornisce al medico radiologo non tanto una diagnosi quanto un supporto nella definizione della gravità della malattia, valutata peraltro su un esame di primo livello. Questo vuol dire poter minimizzare l’elemento soggettivo della valutazione ed accelerare i tempi di refertazione rendendo più efficiente il flusso di lavoro».
Servizi TG: