I modelli basati su IA, oggi, non sono ancora bravi come gli esseri umani quando si tratta di distinguere e interpretare alcune immagini, come le risonanze magnetiche (MRI). La possibilità di addestrare correttamente l’IA, però, esiste, come dimostra uno studio della Oxford University. E questo è importante perché l’uso di uno strumento tecnologico intelligente che affianchi la lettura dei radiologi aumenta la fiducia dei pazienti nella diagnosi.
Un domani, questo tipo di soluzioni IA potrebbe velocizzare l’emissione dei referti, accorciando i tempi di avviamento delle cure.
Perché è interessante questo progresso nell’IA
A chi non ha un addestramento tecnico specifico, le immagini delle MRI risultano incomprensibili: l’IA conferma la lettura del radiologo e aiuta il paziente a capire meglio quali sono le aree malate rispetto a quelle sane, perché le evidenzia nell’immagine stessa.
Un elemento distintivo dei modelli di Intelligenza Artificiale, infatti, è proprio la loro capacità di spiegare le decisioni, in questo caso identificando nelle immagini le aree classificate come tumorali. Questo approccio trasparente aumenta la fiducia dei radiologi e dei pazienti, consentendo ai professionisti di verificare le proprie diagnosi con quelle dell'IA.
Questo "secondo radiologo robotico" potrebbe quindi fungere da supporto al tecnico specializzato, evidenziando le aree sospette su una risonanza magnetica.
I risultati ottenuti sono promettenti
Lo studio è stato condotto addestrando due modelli di IA su dati di risonanza magnetica. Il livello di accuratezza raggiunto nella corretta interpretazione delle immagini è elevato, pari all'85,99% , permettendo all'IA di distinguere tessuti sani da tessuti tumorali (nel cervello).
In particolare, ricercatrici e ricercatori hanno usato reti neurali convoluzionali, che hanno prestazioni superiori con il riconoscimento delle immagini, e tecniche di transfer learning, che consentono di riutilizzare modelli addestrati per un compito specifico in nuovi progetti correlati.
Come è stato addestrato il modello AI
Per l’addestramento delle reti neurali il gruppo di Ricerca ha usato repository online come quelle del Cancer Imaging Archive, del NIH National Cancer Institute e di Kaggle. Lo studio è stato di tipo retrospettivo, l’analisi quindi ha riesaminato diagnosi già fatte nel passato, senza coinvolgere i pazienti (almeno per ora).
Un aiuto dalle tecniche di rilevamento del camuffamento
Quando parliamo di progetti correlati non dobbiamo pensare per forza a qualcosa nello stesso campo. In questo caso, il modello “di partenza” faceva qualcosa di molto diverso dalla lettura delle risonanze magnetiche: era pensato per identificare animali camuffati.
I ricercatori hanno capito che c’è un parallelo tra mimetismo in natura e cellule cancerose “nascoste” nei tessuti sani. La capacità del modello di generalizzare concetti, raggruppando insieme entità diverse, si è confermata fondamentale per la corretta identificazione del tessuto canceroso nel cervello.
Dal laboratorio all’ambulatorio
Anche se meno accurata del rilevamento umano, la soluzione basata su IA dimostra come le nuove tecnologie possano aumentare la trasparenza nella radiologia clinica. Nel prossimo futuro i ricercatori puntano allo sviluppo di modelli IA le cui decisioni siano facili e immediate da comprendere perché supportino i medici e gli specialisti nella spiegazione delle diagnosi.
Nonostante qualche difficoltà nel distinguere tra diversi tipi di tumore cerebrale, i modelli hanno mostrato un buon tasso di successo, sbagliando solo poche diagnosi. L’avvento di un radiologo robotico di supporto al radiologo in carne e ossa potrebbe non essere lontano.
