La capacità di un radiologo di effettuare diagnosi accurate da studi di imaging diagnostico di alta qualità ha un impatto diretto sull'esito del paziente. Però, acquisire dati sufficienti per generare immagini della migliore qualità ha un costo:un aumento della dose di radiazioni per la tomografia computerizzata (TC) e la tomografia a emissione di positroni (PET) o tempi di scansione eccessivamente lunghi per la risonanza magnetica (MRI). Ora i ricercatori dell'Athinoula A. Martinos Center for Biomedical Imaging presso il Massachusetts General Hospital (MGH) hanno affrontato questa sfida con una nuova tecnica basata sull'intelligenza artificiale e sull'apprendimento automatico, consentendo ai medici di acquisire immagini di qualità superiore senza dover raccogliere dati aggiuntivi. Descrivono la tecnica - soprannominata AUTOMAP (trasformazione automatizzata per approssimazione multipla) - in un articolo pubblicato oggi sulla rivista Natura .

"Una parte essenziale della pipeline di imaging clinico è la ricostruzione dell'immagine, che trasforma i dati grezzi provenienti dallo scanner in immagini che i radiologi possono valutare, "dice Bo Zhu, dottorato di ricerca, assegnista di ricerca presso il Centro MGH Martinos e primo autore del libro Natura carta. "L'approccio convenzionale alla ricostruzione delle immagini utilizza una catena di moduli di elaborazione del segnale realizzati a mano che richiedono una regolazione manuale dei parametri esperta e spesso non sono in grado di gestire le imperfezioni dei dati grezzi, come il rumore. Introduciamo un nuovo paradigma in cui l'algoritmo di ricostruzione dell'immagine corretto è determinato automaticamente dall'intelligenza artificiale di deep learning.

"Con AUTOMAP, abbiamo insegnato ai sistemi di imaging a "vedere" il modo in cui gli umani imparano a vedere dopo la nascita, non attraverso la programmazione diretta del cervello ma promuovendo connessioni neurali per adattarsi organicamente attraverso ripetuti allenamenti su esempi del mondo reale, " Zhu spiega. "Questo approccio consente ai nostri sistemi di imaging di trovare automaticamente le migliori strategie computazionali per produrre immagini chiare, immagini accurate in un'ampia varietà di scenari di imaging."

La tecnica rappresenta un importante passo avanti per l'imaging biomedico. Nello svilupparlo, i ricercatori hanno sfruttato i numerosi progressi compiuti negli ultimi anni sia nei modelli di rete neurale utilizzati per l'intelligenza artificiale sia nelle unità di elaborazione grafica (GPU) che guidano le operazioni, poiché la ricostruzione dell'immagine - in particolare nel contesto di AUTOMAP - richiede un'immensa quantità di calcolo, soprattutto durante l'addestramento degli algoritmi. Un altro fattore importante è stata la disponibilità di grandi set di dati ("big data"), che sono necessari per addestrare modelli di reti neurali di grandi dimensioni come AUTOMAP. Perché sfrutta questi e altri progressi, Zhu dice, la tecnica non sarebbe stata possibile cinque anni fa o forse anche un anno fa.

AUTOMAP offre una serie di potenziali vantaggi per l'assistenza clinica, anche oltre a produrre immagini di alta qualità in meno tempo con la risonanza magnetica o con dosi più basse con i raggi X, TC e PET. A causa della sua velocità di elaborazione, la tecnica potrebbe aiutare a prendere decisioni in tempo reale sui protocolli di imaging mentre il paziente è nello scanner.

"Poiché AUTOMAP è implementato come rete neurale feedforward, la velocità di ricostruzione dell'immagine è quasi istantanea - solo decine di millisecondi, ", afferma l'autore senior Matt Rosen, dottorato di ricerca, direttore del Low-field MRI and Hyperpolarized Media Laboratory e co-direttore del Center for Machine Learning presso il MGH Martinos Center. "Alcuni tipi di scansioni attualmente richiedono un'elaborazione computazionale dispendiosa in termini di tempo per ricostruire le immagini. In questi casi, il feedback immediato non è disponibile durante l'imaging iniziale, e potrebbe essere necessario ripetere lo studio per identificare meglio un'anomalia sospetta. AUTOMAP fornirebbe la ricostruzione istantanea dell'immagine per informare il processo decisionale durante la scansione e potrebbe prevenire la necessità di ulteriori visite".

In particolare, la tecnica potrebbe anche aiutare a far progredire altre applicazioni di intelligenza artificiale e apprendimento automatico. Gran parte dell'attuale entusiasmo che circonda l'apprendimento automatico nell'imaging clinico si concentra sulla diagnostica assistita da computer. Poiché questi sistemi si basano su immagini di alta qualità per valutazioni diagnostiche accurate, AUTOMAP potrebbe svolgere un ruolo nel farli avanzare per il futuro uso clinico.

"Il nostro approccio AI sta mostrando notevoli miglioramenti nella precisione e nella riduzione del rumore e quindi può far progredire una vasta gamma di applicazioni, " Dice Rosen. "Siamo incredibilmente entusiasti di avere l'opportunità di implementare tutto questo nello spazio clinico in cui AUTOMAP può lavorare insieme a computer economici con accelerazione GPU per migliorare l'imaging clinico ei risultati".