Il cancro al polmone è una delle principali cause di morte per uomini e donne in tutto il mondo, più di quelli al seno e alla prostata. La diagnosi precoce dei noduli polmonari rimane la pietra angolare per aumentare la sopravvivenza dei pazienti, e l’uso dell’imaging ad alta risoluzione è cruciale per identificare i tumori. Tuttavia, l’analisi delle immagini richiede molto tempo e l’Unione Europea ha finanziato progetti di intelligenza artificiale, come il progetto DEEPHEALTH, per semplificare i processi di diagnostica e identificare i noduli polmonari attraverso l’utilizzo di algoritmi di apprendimento automatico. In questo articolo, esploreremo come queste nuove tecnologie stanno cambiando il panorama della diagnosi precoce del cancro al polmone.
Indice dei contenuti
UniToChest: il set di dati open access per la ricerca scientifica
UniToChest è una collezione di dati open access progettata per gli istituti di ricerca e per coloro che utilizzano i dati a scopo scientifico. Approvato dal Comitato Etico e sviluppato in collaborazione con l’Università di Torino, la Fondazione Ricerca Molinette Onlus e la Città della Salute e della Scienza Torino, il dataset è disponibile per il download e rispetta le normative sulla privacy.
Lo scopo del progetto UniToChest è dimostrare la fattibilità dello strumento Deephealth e delle sue librerie PyECVL e PyEDDL. Queste librerie di supporto alla costruzione di applicazioni di IA, in linguaggio Python, si utilizzano nell’addestramento della rete neurale artificiale che sfrutta il dataset. Nel mondo della programmazione informatica in ambito salute, possono essere utilizzate librerie come ECVL. Essa è centrata sulle immagini ed utile a supportare funzionalità base come la lettura o la scrittura di immagini, la manipolazione e la trasformazione in ambiente HPC.
La libreria EDDL, invece, è una libreria di carattere generale che include la maggior parte delle funzionalità di deep learning disponibili. Inoltre, 15 casi d’uso di DeepHealth sono stati sviluppati utilizzando EDDL come motore di deep learning. EDDL vuole porsi come soluzione europea per lo sviluppo di soluzioni in ambito medico.
Il set di dati UniToChest consiste in oltre 300.000 scansioni TC dei polmoni provenienti da 623 diversi pazienti della zona di Torino, omogenei per genere e di età diverse. Le scansioni TC sono state effettuate presso AOU Città della Salute e della Scienza, Le Molinette di Torino con 10 diverse modalità diagnostiche. Rispetto ai dataset già in uso, UniToChest mette in evidenza un’ampia gamma di lesioni “annotate”, grazie alla maschera di segmentazione eseguita manualmente dai radiologi in tutte le sezioni di scansione TC.
UniToChest contiene 306.400 CT di cancro ai polmoni e ogni file contiene immagini diagnostiche associate ad annotazioni delle lesioni nodulari associate. Questo set di dati è il più vasto nel suo genere e con le maggiori differenziazioni nelle dimensioni delle lesioni polmonari. Il lavoro è stato supervisionato dal Prof. Marco Grangetto del Dipartimento di Informatica dell’Università degli Studi di Torino e sviluppato dal laboratorio EIDOSLab.
Utilizzo del deep learning nella diagnostica per immagini
Il Dott. Marco Grosso, esperto del Dipartimento di Diagnostica per Immagini e Radiologia Interventistica presso l’Azienda Ospedaliero-Universitaria Città della Salute e della Scienza di Torino, illustra l’utilità dell’utilizzo del deep learning nella diagnosi per immagini. In questa branca della medicina, l’uso delle immagini diagnostiche e terapeutiche (radiologia interventistica) subisce un cambiamento quasi quotidiano. L’aspettativa è che le modalità di radiologia subiranno un cambiamento drastico nei prossimi cinque anni. In questo contesto, le reti neurali costituiscono già un’importante innovazione, anche grazie all’enorme quantità di dati e immagini disponibili in ogni ospedale.
L’utilizzo delle reti neurali è ancora in fase sperimentale, ma può contribuire a rendere più efficiente il percorso diagnostico, senza sostituire la decisione del medico. È importante avere un dataset annotato, che includa dati del paziente, informazioni cliniche e caratteristiche specifiche del nodulo polmonare. Ciò permetterebbe di ottenere un dato radiomico puro, ovvero l’espressione di probabilità di neoplasia.
Città della Salute collabora con il Centro di Supercalcolo della Regione Piemonte, in particolare con l’HPC High Performance Computer for AI, per elaborare il dataset e accelerare la diagnosi.
In un’epoca in cui la produzione diagnostica con TC è in costante aumento e la presenza clinica dei medici non è sempre sufficiente, l’uso di macchine addestrate sul dataset può essere un valido aiuto nella velocizzazione delle diagnosi. Il lavoro sul dataset UniToChest ha richiesto molte ore di lavoro da parte di un team di esperti. Diversi istituti di ricerca hanno già scaricato il dataset, poiché i dataset annotati sono molto ricercati.
