Uno dei concetti più comuni riguardo la diffusione dell’Intelligenza Artificiale nelle imprese è che l’AI e il Machine Learning permettono di togliere al personale umano compiti ripetitivi, consentendo così alle persone di dedicarsi a mansioni a maggior valore aggiunto.
Il concetto che passa sottotraccia, in questa visione dell’AI, è che i compiti ripetitivi siano in fondo di poco valore: in realtà raramente è così, nelle applicazioni di AI.
I task ripetitivi sono, letteralmente, solo task che vengono ripetuti più volte e massivamente nel tempo: di per sé possono essere comunque critici.
Come dimostra un caso italiano importante di applicazione dell’AI: l’analisi delle immagini diagnostiche per la diagnosi precoce dei tumori.
Il caso di Aigea Medical
L’azienda italiana che sta dietro a questa importante applicazione dei metodi del Machine Learning è la toscana Aigea Medical, che si presenta come una startup ma che può mettere al suo attivo le competenze del suo staff.
Oltre 50 anni-uomo di esperienza nel campo della radiologia e delle tecnologie per la Sanità. Esperienze che spaziano tra l’IT e il mondo più specializzato dell’AI, coadiuvate da un team di advisory che comprende radiologi ed esperti clinici.
Aigea Medical ha sviluppato una tecnologia proprietaria di deep learning che si basa sull’utilizzo di reti neurali multimodali, in grado cioè di analizzare in un medesimo processo dati di tipo differente: nel caso specifico si tratta delle immagini diagnostiche e dei dati clinici strutturati.
Queste tecnologie proprietarie – l’algoritmo è stato brevettato – sono state applicate prima di tutto all’analisi delle immagini diagnostiche nelle attività di screening per la prevenzione del tumore al seno.
Il risultato è DeepMammo, una piattaforma in cloud che affianca il radiologo per velocizzare i cicli di screening.
L’impatto di deepmammo sullo screening preventivo
“I nostri modelli di deep learning sono addestrati in modo molto specifico sui dati del dominio che abbiamo deciso di affrontare e le funzioni di analisi delle immagini si inseriscono in maniera del tutto trasparente con il flusso di lavoro dei sistemi radiologici”, spiega Carlo Aliprandi, Cofounder e CEO di Aigea Medical.
Di fatto, dunque, DeepMammo diventa un radiologo virtuale che affianca quelli reali e ne riduce il carico di lavoro nella parte diagnostica.
Spiegata così sembra semplice, ma l’impatto concreto che DeepMammo può avere sul settore dello screening preventivo è davvero notevole.
“Solo in Italia ogni anno idealmente si dovrebbero eseguire 4-5 milioni di esami preventivi. Con i ritardi causati dalla pandemia, oggi il carico di lavoro per i radiologi è ancora maggiore e i tempi per sottoporsi a un esame si allungano. Oltre a questo problema c’è storicamente una carenza di radiologi esperti nelle strutture ospedaliere, che sono ancora di più sotto pressione”, continua Aliprandi.
Avere un radiologo virtuale che scende in campo e automatizza parte dei controlli diagnostici può fare la differenza in molte situazioni.
Il ruolo dell’ia
L’esame delle immagini diagnostiche è uno di quei compiti in cui l’Intelligenza Artificiale può eccellere, come spiega Aliprandi.
“Tecnicamente lo possiamo considerare come un classico compito ripetitivo. Il volume di immagini da analizzare è molto elevato e nella stragrande maggioranza dei casi, circa il 97%, non c’è nulla di rilevante da notare. L’AI non sente il peso di questa ripetitività e, dal punto di vista degli algoritmi, ovviamente opportunamente addestrati, le immagini in sé sono semplici da analizzare. Si tratta di una delle tipiche applicazioni in cui il machine learning diventa rapidamente affidabile. Mentre per un medico umano il carico di lavoro e la monotonia sono possibili cause di errori”.
Da un altro punto di vista l’analisi delle mammografie è, ovviamente, un task critico: la diagnosi precoce di un tumore al seno è essenziale per avviare un percorso efficace di trattamento.
Anche per questo la valutazione delle immagini diagnostiche non viene eseguita da un solo radiologo ma da due: se i pareri sono discordanti, vuol dire che – quantomeno per prudenza – è meglio proseguire con esami più approfonditi.
DeepMammo, in prospettiva, affianca il primo radiologo e genera il secondo parere in questo controllo a doppio cieco, permettendo così di dimezzare la necessità di personale specializzato e velocizzando notevolmente le operazioni di screening di massa.
È importante sottolineare questo ruolo di affiancamento, e mai di sostituzione, del radiologo: l’AI resta comunque e sempre uno strumento a disposizione del professionista, non viene mai intesa – in particolare da chi lavora al suo sviluppo – come qualcosa che possa sostituirlo.
DeepmAMMO: Conclusioni
Il percorso evolutivo che Aigea Medical vede per gli algoritmi di DeepMammo è ovviamente quello di un continuo miglioramento.
La loro efficacia è dimostrata dai risultati – la piattaforma è già in una fase di validazione pre-clinica – e, tra l’altro, anche dal fatto che la software house pisana è stata selezionata (unica italiana) tra le 16 startup che hanno passato il vaglio della prima Open Call del network europeo Elise: DeepMammo, cioè, è stato scelto come uno dei più interessanti nuovi progetti AI dell’Unione Europea.
Da qui ad avere DeepMammo ufficialmente “assunto” in uno studio radiologico il passo non è, ovviamente, breve.
“Nel settore clinico-medicale arrivare ad avere un prodotto concretamente sul mercato è un percorso estremamente lungo. Dobbiamo addestrare i nostri algoritmi su basi dati sempre più estese di immagini diagnostiche, che ci devono essere fornite da partner ben qualificati. E, cosa non sempre semplice, rispettando tutte le norme sulla privacy dei dati sensibili… Man mano che questo processo va avanti potremo anche estendere il raggio d’azione degli algoritmi oltre l’analisi di una singola immagine, ad esempio per avere una valutazione clinica di un caso specifico rispetto ad altri simili”.
Dal punto di vista infrastrutturale, DeepMammo è una piattaforma in cloud basata sulla “nuvola” di IBM.
Per ora Aigea Medical sfrutta i vantaggi strettamente infrastrutturali del cloud, implementando DeepMammo grazie ai servizi IaaS di IBM Cloud.
Non è escluso che in futuro possa usarne regolarmente anche i servizi specifici per il macchine learning, che per ora sono stati semplicemente testati.
.
Comments are closed.