L'apprendimento automatico ha il potenziale per far progredire notevolmente l'imaging medico, in particolare la tomografia computerizzata (TC), riducendo l'esposizione alle radiazioni e migliorando la qualità dell'immagine.

Questi nuovi risultati della ricerca sono stati appena pubblicati in Intelligenza della macchina della natura da ingegneri del Rensselaer Polytechnic Institute e radiologi del Massachusetts General Hospital e della Harvard Medical School.

Secondo il gruppo di ricerca, i risultati pubblicati in questa rivista ad alto impatto rappresentano un valido motivo per sfruttare il potere dell'intelligenza artificiale per migliorare le scansioni TC a basso dosaggio.

"La dose di radiazioni è stata un problema significativo per i pazienti sottoposti a scansioni TC. La nostra tecnica di apprendimento automatico è superiore, o, Proprio alla fine, comparabile, alle tecniche iterative utilizzate in questo studio per consentire la TC a bassa dose di radiazioni, " ha detto Ge Wang, un professore di cattedra di ingegneria biomedica a Rensselaer, e un autore corrispondente su questo documento. "È una conclusione di alto livello che porta un messaggio potente. È tempo che l'apprendimento automatico decolli rapidamente e, auspicabilmente, rilevare."

Le tecniche di imaging TC a basso dosaggio sono state un obiettivo significativo negli ultimi anni nel tentativo di alleviare le preoccupazioni sull'esposizione del paziente alle radiazioni a raggi X associate alle scansioni TC ampiamente utilizzate. Però, la diminuzione delle radiazioni può ridurre la qualità dell'immagine.

Per risolverlo, ingegneri di tutto il mondo hanno progettato tecniche di ricostruzione iterativa per aiutare a vagliare e rimuovere le interferenze dalle immagini TC. Il problema, Wang ha detto, è che quegli algoritmi a volte rimuovono informazioni utili o alterano falsamente l'immagine.

Il team ha deciso di affrontare questa sfida persistente utilizzando un framework di machine learning. Nello specifico, hanno sviluppato una rete neurale profonda dedicata e hanno confrontato i loro migliori risultati con il meglio di ciò che i tre principali scanner CT commerciali potrebbero produrre con tecniche di ricostruzione iterativa.

Questo lavoro è stato eseguito in stretta collaborazione con il Dr. Mannudeep Kalra, professore di radiologia al Massachusetts General Hospital e alla Harvard Medical School, che era anche un autore corrispondente sulla carta.

I ricercatori stavano cercando di determinare come le prestazioni del loro approccio di deep learning rispetto agli algoritmi iterativi rappresentativi selezionati attualmente utilizzati clinicamente.

Diversi radiologi del Massachusetts General Hospital e della Harvard Medical School hanno valutato tutte le immagini TC. Gli algoritmi di deep learning sviluppati dal team di Rensselaer si sono comportati così come, o meglio di, quelle attuali tecniche iterative nella stragrande maggioranza dei casi, ha detto Wang.

I ricercatori hanno scoperto che il loro metodo di deep learning è anche molto più veloce, e consente ai radiologi di mettere a punto le immagini in base alle esigenze cliniche, ha detto il dottor Kalra.

Questi risultati positivi sono stati realizzati senza accedere all'originale, o crudo, dati da tutti gli scanner CT. Wang ha sottolineato che se i dati CT originali sono resi disponibili, un algoritmo di deep learning più specializzato dovrebbe funzionare ancora meglio.

"Questo ha i radiologi nel giro, " Wang ha detto. "In altre parole, questo significa che possiamo integrare insieme intelligenza artificiale e intelligenza umana nel framework di deep learning, facilitare la traduzione clinica".

Ha detto che questi risultati confermano che il deep learning potrebbe aiutare a produrre prodotti più sicuri, immagini TC più accurate e al tempo stesso più rapide degli algoritmi iterativi.

"Siamo entusiasti di mostrare alla community che i metodi di apprendimento automatico sono potenzialmente migliori dei metodi tradizionali, "Ha detto Wang. "Manda alla comunità scientifica un segnale forte. Dovremmo puntare sull'apprendimento automatico".

Questa ricerca del team di Wang è tra i progressi significativi fatti costantemente dai docenti del Centro di imaging biomedico all'interno del Centro per la biotecnologia e gli studi interdisciplinari (CBIS) di Rensselaer.

"Il lavoro del professor Wang è un eccellente esempio di come i progressi nell'intelligenza artificiale, e l'apprendimento automatico e profondo può migliorare gli strumenti e le pratiche biomediche affrontando problemi difficili, in questo caso aiutando a fornire immagini TC di alta qualità utilizzando una dose di radiazioni inferiore. Gli sviluppi trasformativi di questi team collaborativi porteranno a una medicina più precisa e personalizzata, " disse Deepak Vashishth, direttore della CBI.