Servizio Comunitario di Informazione in materia di Ricerca e Sviluppo - CORDIS

Le macchine kernel per migliorare l’imaging medico

Le innovazioni nelle tecnologie di imaging medico sono limitate dall’incapacità di estrapolare dati importanti o fondamentali dalle immagini per una diagnosi della malattia e un monitoraggio dei pazienti accurati. Alcuni ricercatori finanziati dall’UE hanno sviluppato tecniche di apprendimento automatico basate su kernel per rilevare l’osteoartrite e prevedere il rischio di carcinoma mammario.
Le macchine kernel per migliorare l’imaging medico
L’osteoartrite e il carcinoma mammario sono malattie associate a costi socioeconomici elevati. Il loro rilevamento tempestivo potrebbe migliorare enormemente la prognosi dei pazienti e la loro qualità della vita. Ma l’imaging medico non è ancora sufficientemente potente per individuare tali malattie in tutti i pazienti a causa di problemi relativi a eterogeneità dei tessuti e accuratezza. Il progetto AKMI (Advanced kernel-methods for medical imaging) ha affrontato questi temi.

I ricercatori AKMI hanno studiato varie architetture per l’apprendimento delle caratteristiche (feature), inclusi metodi kernel gerarchici, macchine di Boltzmann ristrette (RBM) e reti neurali convoluzionali (CNN). In particolare le loro soluzioni RBM sono già in fase di applicazione in molte funzioni di riconoscimento di pattern e sono gli elementi costituenti dei deep belief network (DBN).

I membri del progetto hanno inoltre applicato e analizzato algoritmi di apprendimento basati su kernel come le macchine a vettori di supporto (SVM). Hanno pubblicato un articolo che descrive il rischio di adattamento eccessivo (overfitting) per una selezione inadeguata dei modelli e fornisce linee guida per evitare ciò.

Un altro risultato importante è stato lo sviluppo di strategie per il confronto e la selezione di modelli pubblicate su Journal of Machine Learning Research nel 2015. Utilizzando classificatori lineari come le SVM e la funzione di perdita di margine rho hanno dimostrato che minimizzare un limite di margine di base è NP-difficile. Hanno utilizzato anche algoritmi di hashing per velocizzare i metodi kernel per la computazione delle somiglianze tra serie e stringhe di bit.

AKMI è riuscito ad applicare i propri algoritmi di apprendimento automatico basati su architettura CNN per un imaging 3D efficace dell’osteoartrite e la quantificazione del deterioramento della cartilagine. Questo approccio si è dimostrato più accurato della MRI, il metodo attualmente più avanzato per la diagnosi dell’osteoartrite. Anche l’applicazione di metodi CNN per la valutazione del rischio di carcinoma mammario ha mostrato una buona performance.

Lo studio AKMI ha dimostrato che i metodi di apprendimento automatico per il riconoscimento e l’analisi dei pattern può migliorare significativamente l’analisi delle immagini mediche. L’implementazione di strumenti di questo tipo nella gestione clinica dei pazienti potrebbe portare a diagnosi più rapida, trattamento precoce e migliori outcome per i pazienti.

Informazioni correlate

Keywords

Macchine kernel, imaging medico, apprendimento automatico, osteoartrite, carcinoma mammario, AKMI