Medical Image Analysis

L'analisi delle immagini mediche consiste nell'uso della visione artificiale (CV) e dell'intelligenza artificiale (AI) per estrarre informazioni clinicamente utili dalle immagini mediche: rilevare reperti come noduli polmonari o fratture, delineare organi e tumori, misurarli nel tempo e classificare le patologie. Si applica a radiografie, TC, RM, ecografie, PET, fotografie retiniche, video endoscopici e vetrini patologici digitalizzati. È la fase di interpretazione successiva all'imaging medico, cioè agli scanner e ai metodi di ricostruzione che producono le immagini. Gli strumenti di analisi clinica sono regolamentati come dispositivi medici e l'elenco pubblico dei dispositivi medici basati sull'AI della FDA comprende ben più di mille autorizzazioni, per la maggior parte in radiologia.

Come funziona l'analisi delle immagini mediche#

Le immagini mediche arrivano in formato DICOM, che archivia i dati dei pixel insieme a metadati come gli identificativi del paziente, le impostazioni dello scanner e la distanza tra le sezioni. Il preprocessing dipende dalla modalità. I valori dei pixel della TC sono unità Hounsfield calibrate, perciò una "finestra" polmonare o ossea mappa l'intervallo di intensità pertinente sull'input del modello, mentre le intensità della RM non hanno una scala fissa e vengono normalizzate per ogni scansione. TC e RM producono volumi 3D composti da centinaia di sezioni, che i modelli elaborano una sezione alla volta o come volumi; i vetrini patologici digitalizzati raggiungono miliardi di pixel, perciò vengono suddivisi in riquadri e gestiti con l'apprendimento a istanze multiple quando sono disponibili solo etichette a livello di vetrino.

Le attività principali sono attività standard di visione artificiale applicate all'anatomia:

• Classificazione delle immagini: assegna un'etichetta a un'intera immagine, ad esempio indicando se una fotografia retinica mostra una retinopatia diabetica che richiede un consulto specialistico.
• Rilevamento di oggetti: disegna riquadri attorno a reperti come noduli, fratture o polipi del colon, guidando l'attenzione del medico.
• Segmentazione delle immagini: assegna un'etichetta a ogni pixel o voxel per delineare organi e tumori, così da misurarne il volume e pianificare la radioterapia.
• Registrazione delle immagini: allinea le scansioni dello stesso paziente effettuate in momenti diversi o con modalità differenti, consentendo di misurare i cambiamenti.

L'architettura U-Net è stata progettata per la segmentazione biomedica nel 2015; nnU-Net configura automaticamente le pipeline U-Net per nuovi dataset e i framework open source come MONAI forniscono strumenti per queste attività, tra cui caricatori di dati e trasformazioni specifici per l'ambito medico.

Il fine-tuning di un rilevatore su scansioni etichettate segue lo stesso flusso di lavoro di qualsiasi altro dominio: il dataset sui tumori cerebrali di Ultralytics abbina sezioni MRI a riquadri tumorali, e addestrare Ultralytics YOLO26 su questo dataset produce un modello che identifica le regioni tumorali nelle nuove sezioni:

from ultralytics import YOLO

# Esegui il fine-tuning di un rilevatore YOLO26 pretrained su COCO usando sezioni RM cerebrali etichettate
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# Rileva le regioni tumorali in una nuova sezione RM
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# Salva la sezione con i riquadri predetti e i punteggi di confidenza
result.save(filename="brain_tumor_result.jpg")

Applicazioni in ambito sanitario#

Un approccio ampiamente adottato è il triage. Un software che segnala una sospetta emorragia cerebrale o un ictus dei grandi vasi alla TC porta l'esame in cima alla lista di lavoro del radiologo, e la lettura finale del radiologo funge anche da verifica del modello:

Altri usi consolidati riguardano lo screening, la pianificazione dei trattamenti e le procedure:

• Screening: nella sperimentazione randomizzata MASAI condotta in Svezia, lo screening mammografico assistito dall'AI ha rilevato il 29% di tumori in più rispetto alla doppia lettura standard, senza aumentare i falsi positivi, e ha ridotto del 44% il carico di lavoro dei radiologi dedicato alla lettura degli screening. Nel 2018, IDx-DR è diventato il primo dispositivo autorizzato dalla FDA a fornire una decisione di screening per la retinopatia diabetica senza che un medico interpretasse l'immagine.
• Oncologia: i modelli di segmentazione delineano i tumori e gli organi a rischio per pianificare la radioterapia e misurano le dimensioni del tumore nelle scansioni di controllo.
• Patologia: i modelli analizzano immagini di vetrini interi alla ricerca di tumori e, nel 2021, Paige Prostate è diventato il primo software di AI autorizzato dalla FDA per individuare il cancro nelle biopsie prostatiche.
• Endoscopia: i rilevatori in tempo reale evidenziano i polipi durante la colonscopia e GI Genius è stato il primo dispositivo di AI di questo tipo autorizzato dalla FDA, nel 2021.

Sfide e considerazioni#

• Etichette di esperti: l'annotazione richiede radiologi o patologi, e gli esperti non concordano sui casi difficili; per questo i dataset etichettati sono ridotti e costosi.
• Cambiamento di dominio e apprendimento di scorciatoie: scanner, protocolli e popolazioni di pazienti variano da un ospedale all'altro. Uno studio del 2018 ha rilevato che i classificatori di polmonite addestrati su radiografie toraciche riuscivano a identificare l'ospedale da cui proveniva un'immagine e avevano prestazioni peggiori sulle radiografie di ospedali assenti dai dati di addestramento.
• Bias nell'AI: i modelli addestrati su popolazioni di pazienti non rappresentative hanno prestazioni inferiori per i gruppi sottorappresentati.
• Spiegabilità: le mappe di calore e altre spiegazioni aiutano i medici a verificare su cosa si è basato un modello prima di fidarsi del suo risultato.
• Privacy e apprendimento federato: i dati dei pazienti rientrano nell'ambito di HIPAA negli Stati Uniti e del GDPR in Europa; le intestazioni DICOM e il testo incorporato nelle immagini devono essere anonimizzati, e l'apprendimento federato addestra i modelli tra più ospedali senza aggregare i dati dei pazienti.
• Normative e aggiornamenti: modifiche significative a un modello autorizzato richiedono normalmente una nuova presentazione normativa. Le linee guida definitive della FDA del dicembre 2024 sui piani predeterminati di controllo delle modifiche consentono ai produttori di specificare nella presentazione originale gli aggiornamenti previsti del modello e il modo in cui li convalideranno.