A sinistra di ogni quadrante c'è una vera immagine a raggi X del torace di un paziente e accanto ad essa, la radiografia sintetizzata formulata dal DCGAN. Sotto le immagini a raggi X ci sono mappe di calore corrispondenti, che è il modo in cui il sistema di apprendimento automatico vede le immagini. Credito:Hojjat Salehinejad/MIMLab
L'intelligenza artificiale (AI) ha un potenziale reale per migliorare sia la velocità che l'accuratezza della diagnostica medica. Ma prima che i medici possano sfruttare la potenza dell'intelligenza artificiale per identificare le condizioni in immagini come i raggi X, devono "insegnare" agli algoritmi cosa cercare.
L'identificazione di patologie rare nelle immagini mediche ha rappresentato una sfida persistente per i ricercatori, a causa della scarsità di immagini che possono essere utilizzate per addestrare i sistemi di intelligenza artificiale in un ambiente di apprendimento supervisionato.
Il professor Shahrokh Valaee e il suo team hanno progettato un nuovo approccio:utilizzare l'apprendimento automatico per creare raggi X generati al computer per aumentare i set di addestramento per l'intelligenza artificiale.
"In un senso, stiamo usando l'apprendimento automatico per fare l'apprendimento automatico, "dice Valee, professore presso il Dipartimento di Ingegneria Elettrica e Informatica (ECE) Edward S. Rogers Sr. presso l'Università di Toronto. "Stiamo creando raggi X simulati che riflettono determinate condizioni rare in modo da poterli combinare con raggi X reali per avere un database sufficientemente ampio per addestrare le reti neurali a identificare queste condizioni in altri raggi X".
Valaee è membro del Machine Intelligence in Medicine Lab (MIMLab), un gruppo di medici, scienziati e ricercatori di ingegneria che uniscono le loro competenze nell'elaborazione delle immagini, intelligenza artificiale e medicina per risolvere le sfide mediche. "L'intelligenza artificiale ha il potenziale per aiutare in una miriade di modi nel campo della medicina, " dice Valaee. "Ma per fare questo abbiamo bisogno di molti dati:le migliaia di immagini etichettate di cui abbiamo bisogno per far funzionare questi sistemi semplicemente non esistono per alcune rare condizioni".
Per creare questi raggi X artificiali, il team utilizza una tecnica di intelligenza artificiale chiamata Deep Convolutional Generative Adversarial Network (DCGAN) per generare e migliorare continuamente le immagini simulate. I GAN sono un tipo di algoritmo composto da due reti:una che genera le immagini e l'altra che cerca di discriminare le immagini sintetiche dalle immagini reali. Le due reti sono addestrate al punto che il discriminatore non può differenziare le immagini reali da quelle sintetizzate. Una volta creato un numero sufficiente di raggi X artificiali, sono combinati con raggi X reali per addestrare una profonda rete neurale convoluzionale, che quindi classifica le immagini come normali o identifica una serie di condizioni.
"Siamo stati in grado di dimostrare che i dati artificiali generati da un GAN convoluzionale profondo possono essere utilizzati per aumentare set di dati reali, " afferma Valaee. "Questo fornisce una maggiore quantità di dati per l'addestramento e migliora le prestazioni di questi sistemi nell'identificazione di condizioni rare".
Professor Shahrokh Valaee (ECE, a sinistra) e il dottorando Hojjat Salehinejad stanno utilizzando l'apprendimento automatico per creare immagini radiografiche simulate del torace per addestrare i sistemi di intelligenza artificiale a identificare patologie rare. Credito:Jessica MacInnis
Il MIMLab ha confrontato l'accuratezza del loro set di dati aumentato con il set di dati originale quando alimentato attraverso il loro sistema di intelligenza artificiale e ha scoperto che l'accuratezza della classificazione è migliorata del 20% per le condizioni comuni. Per alcune rare condizioni, la precisione è migliorata fino a circa il 40% e poiché i raggi X sintetizzati non provengono da individui reali, il set di dati può essere prontamente disponibile per i ricercatori al di fuori dei locali dell'ospedale senza violare i problemi di privacy.
"È entusiasmante perché siamo stati in grado di superare un ostacolo nell'applicazione dell'intelligenza artificiale alla medicina, dimostrando che questi set di dati aumentati aiutano a migliorare l'accuratezza della classificazione, " afferma Valaee. "Il deep learning funziona solo se il volume dei dati di addestramento è abbastanza grande e questo è un modo per assicurarci di avere reti neurali in grado di classificare le immagini con alta precisione".
