Case Histories
Lesion detection, medicale
Task
Analisi immagini medicali
Lesion detection
Classificazione
Settore
Medicale
Clinico
Tecnologie
Deep learning
invariant.ai
Redis AI
PyTorch
Problema
Rilevare in automatico la presenza di possibili noduli all’interno di immagini radiologiche (PET e TC), segmentarli e classificarli in benigni/maligni e per questi ultimi anche in base al parametro T (classificazione TNM).
Situazione iniziale
L’individuazione di noduli all’interno di immagini polmonari viene effettuata direttamente dal radiologo esperto che si occupa di contornare manualmente le lesioni individuate. L’utente esperto effettua anche la classificazione delle stesse in benigne/maligne ed eventualmente in base al parametro T, fondamentale per progettare il trattamento del paziente e valutare l’efficacia della cura.
Il carico di lavoro a cui sono sottoposti quotidianamente i radiologi, impone la necessità di affiancare sistemi di supporto decisionale basati sull’AI che aiutino il professionista nella pratica clinica di tutti i giorni, gestendo in autonomia i casi standard e portando all’attenzione del medico i casi dubbi e più complessi.
Soluzione messa in campo
Il sistema messo in campo si compone di diverse parti che costituiscono una soluzione integrata per la gestione delle immagini radiologiche e degli output dei modelli matematici, con importanti ripercussioni operative sia in fase di creazione del dataset e training delle reti neurali artificiali, sia durante la pratica clinica quotidiana.
Sono stati sviluppati due plugin di Slicer (uno dei software open source più utilizzati per la visualizzazione scientifica e l’analisi delle immagini medicali) che permettono agli operatori di:
- anonimizzare le immagini DICOM acquisite in ambulatorio (in compliance con le recenti normative sulla privacy) e inviarle direttamente a uno specifico PACS;
- annotare le immagini DICOM con le informazioni necessarie al training delle reti neurali;
- visualizzare gli output delle reti neurali.
Attraverso la messa in campo di Invariant.ai è stato possibile automatizzare l’intero processo, dall’anonimizzazione delle immagini all’annotazione delle stesse fino all’inferenza dei modelli, creando un flusso efficiente e monitorabile, che tenesse in considerazione le tempistiche della pratica clinica quotidiana e le esigenze operative dei professionisti coinvolti.
Sono stati elaborati due modelli matematici che lavorano in serie:
- una prima rete neurale (U-net) individua e segmenta i potenziali noduli individuati nelle immagini radiologiche e restituisce una classificazione in benigni/maligni e una probabilità collegata al giudizio. Il modello è stato allenato sulla base di 805 serie DICOM provenienti dal database in libera consultazione LUNA e 1191 serie del cliente. Durante la fase di training della rete, gli output venivano sottoposti all’ulteriore parere di un radiologo esperto che si occupava di confermare o confutare il giudizio della rete, in modo da costituire un solido database.
- Una seconda rete neurale (Prototypical Neural Network) prende in input i noduli maligni e li classifica in base al parametro T, restituendo anche in questo caso una probabilità di giudizio. Il modello è stato allenato sulla base di 586 immagini PET-CT di pazienti con diagnosi di lesione polmonare fornite dal cliente.
Risultati raggiunti
Il sistema è in fase di test presso il cliente.
Affidabilità del sistema: 87.5% per il task di individuazione e classificazione benigno/maligno, 75% per il task di classificazione in base al parametro T.
Sviluppi in corso
Il sistema entrerà nella pratica clinica quotidiana di diagnosi come sistema di supporto decisionale per i radiologi, restituendo report quotidiani sui casi analizzati, in modo che l’operatore possa selezionare gli eventuali casi da rivedere.
Attraverso il sistema messo in campo, sarà inoltre possibile pianificare re-training dei modelli sulla base dei nuovi dati a disposizione e della nuova conoscenza annotata dagli esperti in merito ai casi dubbi o più complessi. In questo modo si innesca un circolo virtuoso che porterà ad un miglioramento continuo delle performance dei modelli.