Apprendimento profondo e intelligenza artificiale potenziano le tecniche di diagnosi medica
Per diagnosticare e monitorare una malattia vengono utilizzate procedure non invasive basate su immagini, quali la risonanza magnetica per immagini (RMI) e la tomografia computerizzata. Nell’era dell’HPC, ovvero del calcolo ad alte prestazioni, e dei megadati, è possibile utilizzare i grandi set di dati di immagini provenienti da tali procedure per addestrare modelli sofisticati basati sull’intelligenza artificiale (IA), per identificare e supportare modi nuovi e più efficienti di trattare i pazienti. Il più accurato e utile di questi modelli può essere incluso nei sistemi di supporto alle decisioni cliniche (CDSS). Questi sistemi di supporto clinico, che riuniscono dati incentrati sul paziente e spesso includono avvisi e promemoria automatici per il personale sanitario, rappresentano un potenziale vantaggio fondamentale dell’applicazione dell’IA in medicina.
Efficienza computazionale e compatibilità
«Da un punto di vista tecnico, i vantaggi dei CDSS sono compresi e apprezzati», afferma Jon Ander Gomez, responsabile tecnico di DeepHealth del Politecnico di Valencia (UPV) in Spagna. «La sfida consiste nello sviluppare più adattamenti e basarsi sugli sviluppi correnti.» L’ispirazione per il progetto DeepHealth finanziato dall’UE, che è stato coordinato dalla multinazionale NTT DATA (sito web in spagnolo) in Spagna, è il risultato del lavoro di collaborazione svolto tra UPV e FISABIO. Questo lavoro si è concentrato sull’elaborazione delle immagini RMI per diagnosticare il morbo di Alzheimer, nonché sull’imaging RMI della colonna vertebrale. «Quello che abbiamo osservato è stata una mancanza di omogeneità nelle applicazioni software e nelle librerie per costruire processi di elaborazione dei dati medici, principalmente immagini, e per addestrare modelli basati sull’IA in modo più rapido», spiega Gomez. Un’altra esigenza identificata era il raggiungimento dell’efficienza di elaborazione nel caso di set di dati di immagini mediche di grandi dimensioni.
Applicazione di casi di test medici
DeepHealth ha quindi deciso di aiutare i data scientist del settore medico ad addestrare più facilmente modelli basati sull’intelligenza artificiale. Fondamentale è stata la creazione di due nuove librerie: la European Distributed Deep Learning Library (EDDL) e la European Computer Vision Library (ECVL). «L’obiettivo dell’ECVL era quello di riuscire a caricare immagini mediche in qualsiasi formato ed eseguire le trasformazioni di immagini necessarie per addestrare reti neurali profonde», osserva Monica Caballero, coordinatrice del progetto DeepHealth, di NTT DATA in Spagna. L’EDDL fornisce funzionalità di apprendimento approfondito, oltre a distribuire il carico di lavoro tra le risorse di calcolo disponibili. L’adattamento di entrambe le librerie per garantire la compatibilità con piattaforme operative diverse è stato un risultato chiave. Entrambe le librerie sono state quindi integrate in sette piattaforme software e valutate mediante 15 casi di utilizzo finale. Questi casi comprendevano, ad esempio, la diagnosi di cancro al colon e la diagnosi di cancro ai polmoni, nonché la previsione dell’emicrania e di una crisi epilettica. In ogni caso, il team del progetto è stato in grado di dimostrare i vantaggi dell’applicazione di tecniche di apprendimento profondo per la diagnosi di condizioni specifiche.
Uno strumento open source per la diagnosi avanzata
ECVL ed EDDL sono le librerie principali del set di strumenti di DeepHealth. Questo include un back-end che offre tutte le funzionalità delle librerie, nonché un front-end con un’interfaccia utente basata sul web. «Ciò consente ai data scientist senza profonde conoscenze di apprendimento profondo, visione artificiale o calcolo ad alte prestazioni di eseguire una vasta gamma di applicazioni», afferma Gomez. Questo toolkit è open source e gratuito. «Il nostro obiettivo attuale è promuovere l’uso del toolkit di DeepHealth, e in particolare delle biblioteche DeepHealth, sia tra gli istituti di ricerca che nell’industria», osserva Caballero. Nel frattempo, le librerie e il set di strumenti insieme continueranno a essere perfezionati. Rendendo grandi set di dati di immagini mediche più accessibili, condivisibili ed efficienti per l’elaborazione, DeepHealth ha dato un importante contributo verso un’assistenza sanitaria più mirata e un migliore trattamento dei pazienti.
Parole chiave
DeepHealth, biomedico, medico, RMI, IA, open source, set di dati, diagnosi, imaging
