Il deep learning si affianca al radiologo
Poiché la radiologia è una specialità intrinsecamente basata sulle informazioni, è particolarmente avvantaggiata dallo sfruttamento di tecniche di elaborazione dei dati. Una di queste tecniche, il deep learning, è diventata negli ultimi anni uno strumento straordinariamente potente per l’elaborazione delle immagini radiologiche.
Il deep learning è sempre più utilizzato nell’elaborazione e analisi di immagini per una varietà di applicazioni fra le più disparate. Ad esempio, è stato usato per colorare i fotogrammi in bianco e nero dei vecchi film. Sebbene si facesse già qualcosa di simile sui computer degli anni ’80, all’epoca la colorazione era ancora un processo lungo e laborioso, che richiedeva un intervento umano significativo. Ora gli algoritmi di apprendimento basati sul deep learning sono in grado di riconoscere il colore corretto per molti oggetti e di colorare le immagini quasi senza l’intervento dell’uomo. Altrettanto, il riconoscimento ottico dei caratteri (OCR) è la capacità dei computer di identificare e tradurre caratteri scritti in testo codificato per la macchina. Sebbene il riconoscimento dei caratteri scritti a mano sia sempre stato un compito difficile da eseguire per i computer, oggi gli algoritmi deep learning hanno conferito alle macchine la capacità di leggere i testi scritti a mano.
Nel campo della medicina, le implementazioni più rilevanti del deep learning non sorprendentemente riguardano l’imaging. Esempi includono l’elaborazione di immagini in luce visibile – fotografie, come quelle prese da lesioni cutanee (in particolare tumori maligni) – e immagini funduscopiche oftalmologiche. Tali casi sono particolarmente adatti per le tecniche basate sul deep learning poiché implicano in genere l’analisi di una singola immagine, a differenza delle migliaia di immagini comuni negli studi di imaging più avanzati.
La radiologia differisce dalle altre applicazioni di riconoscimento di immagini in quanto una tomografia computerizzata (TAC) o una risonanza magnetica possono generare migliaia di immagini, contro la singola immagine dei casi precedenti. Ciò aumenta notevolmente la complessità degli algoritmi computazionali richiesti. Inoltre, se altre applicazioni (come ad esempio il riconoscimento facciale), gestiscono insiemi relativamente omogenei di immagini, in radiologia le immagini possono variare ampiamente, a seconda dei fattori e delle patologie del paziente, aumentando ulteriormente la complessità del problema.
Attualmente, la maggior parte delle applicazioni in radiologia sono strettamente focalizzate sul raggiungimento di un compito specifico. Le aree di applicazione del deep learning nell’ambito della radiologia possono essere suddivise in diverse categorie: rilevamento di lesioni o patologie, classificazione e diagnosi, segmentazione e quantificazione. Gran parte dello sviluppo nell’uso del deep learning in radiologia, ad oggi, è stata nel campo dell’imaging cardiotoracico e dell’imaging mammario, sebbene la gamma di applicazioni si stia rapidamente espandendo.
C’è stata una grande quantità di ricerche nell’ambito della medicina e in particolare della radiologia per quanto riguarda le capacità del deep learning, che ha mostrato grandi promesse. Forse questi algoritmi potranno un giorno espandere le loro capacità nel territorio dell’apprendimento non supervisionato e mostrarci schemi che noi umani non siamo in grado di percepire. Immaginate di utilizzare le modalità esistenti in modi completamente nuovi, come diagnosticare l’appendicite dalle radiografie o prevedere il rischio di infarto da un’ecografia. Il deep learning offre interessanti opportunità per i radiologi di migliorare la sicurezza fornendo diagnosi più accurate, aumentare l’efficienza automatizzando le attività e contribuire a generare dati su contenuti delle immagini che non erano stati precedentemente utilizzati come criteri diagnostici.
