I ricercatori dell’UCLA hanno sviluppato con Nvidia un nuovo modello di AI in grado di analizzare in modo approfondito le immagini mediche 3D.

Il framework di deep learning, denominato SLIViT (SLice Integration by Vision Transformer), analizza le immagini provenienti da diverse modalità di imaging, tra cui scansioni retiniche, video ecografici, TC, MRI e altre, identificando potenziali biomarcatori di rischio di malattia.

Il dott. Eran Halperin, esperto di medicina computazionale e professore presso l’UCLA che ha guidato lo studio, ha affermato che il modello è altamente accurato per un’ampia varietà di malattie, superando molti modelli di base esistenti e specifici per malattia. Utilizza un nuovo metodo di pre-addestramento e messa a punto che si basa su grandi set di dati pubblici accessibili. Di conseguenza, Halperin ritiene che il modello possa essere distribuito, a costi relativamente bassi, per identificare diversi biomarcatori di malattia, democratizzando l’analisi di imaging medico a livello di esperti.

I ricercatori hanno utilizzato GPU NVIDIA T4 e GPU NVIDIA V100 Tensor Core, insieme a NVIDIA CUDA, per condurre la loro ricerca.

Attualmente, gli esperti di imaging medico sono spesso sopraffatti. Spesso i pazienti aspettano settimane per farsi valutare le radiografie, le risonanze magnetiche o le TAC prima di poter iniziare il trattamento.

Uno dei potenziali vantaggi di SLIViT è il modo in cui può analizzare in modo esperto i dati dei pazienti su larga scala e il modo in cui la sua competenza può essere aggiornata. Ad esempio, una volta sviluppate nuove tecniche di imaging medico, il modello può essere perfezionato con quei nuovi dati, che possono essere trasmessi e utilizzati in analisi future.

Halperin ha osservato che il modello è anche facilmente implementabile. Soprattutto nei luoghi in cui gli esperti di imaging medico sono scarsi, in futuro il modello potrebbe potenzialmente fare una differenza sostanziale nei risultati dei pazienti.

Prima di SLIViT, ha affermato il dott. Halperin, era praticamente impossibile valutare un gran numero di scansioni al livello di un esperto clinico umano. Con SLIViT, un’analisi accurata su larga scala è realistica.

“Il modello può avere un impatto drammatico sull’identificazione dei biomarcatori delle malattie, senza la necessità di grandi quantità di immagini annotate manualmente“, ha affermato Halperin. “Questi biomarcatori della malattia possono aiutarci a comprendere la traiettoria della malattia dei pazienti. In futuro, potrebbe essere possibile utilizzare queste intuizioni per personalizzare il trattamento per i pazienti in base ai biomarcatori trovati tramite SLIVIT e, si spera, apportare un netto miglioramento nella vita dei pazienti”.

Secondo il dott. Oren Avram, autore principale di un articolo pubblicato dai ricercatori dell’UCLA su Nature Biomedical Engineering, lo studio ha rivelato due risultati sorprendenti, ma correlati.

In primo luogo, mentre il modello era ampiamente pre-addestrato su set di dati di scansioni 2D, identifica accuratamente i biomarcatori delle malattie nelle scansioni 3D degli organi umani. In genere, un modello progettato per analizzare immagini 3D viene addestrato su set di dati 3D. Ma i dati medici 3D sono molto più costosi da acquisire e quindi molto meno abbondanti e accessibili dei dati medici 2D.

I ricercatori dell’UCLA hanno scoperto che pre-addestrando il loro modello su scansioni 2D, che sono molto più accessibili, e perfezionandolo su una quantità relativamente piccola di scansioni 3D, il modello ha superato i modelli specializzati addestrati solo su scansioni 3D.

Il secondo risultato imprevisto è stata la bravura del modello nell’apprendimento del trasferimento. Ha imparato a identificare diversi biomarcatori delle malattie perfezionando set di dati costituiti da immagini di modalità e organi molto diversi.

“Abbiamo addestrato il modello su scansioni retiniche 2D, quindi immagini dell’occhio, ma poi abbiamo perfezionato il modello su una risonanza magnetica di un fegato, che apparentemente non hanno alcuna connessione, perché sono due organi e tecnologie di imaging totalmente diversi“, ha affermato Avram. “Ma abbiamo scoperto che tra la retina e il fegato, e tra un OCT e una risonanza magnetica, alcune caratteristiche di base sono condivise e queste possono essere utilizzate per aiutare il modello con apprendimenti a valle, anche se i domini di imaging sono totalmente diversi“.

Il documento SLIViT, Previsione accurata dei fattori di rischio di malattia da scansioni mediche volumetriche tramite un modello di visione profonda pre-addestrato con scansioni 2D.

E’ infine possibile accedere al software per la gestione del modello su GitHub.

(fonte: developer.nvidia.com)

 

Iscriviti ai nostri gruppi Telegram

• Gruppo Maker Italia
• Canale Offerte per prodotti maker

Link utili

• Arduino UNO R3
• Elegoo UNO R3
• Arduino Starter Kit per principianti
• Elegoo Advanced Starter Kit
• Arduino Nano