Deep learning e diagnostica, come selezionare al meglio le features?

L’uso dell’intelligenza artificiale in medicina, a sostegno della diagnostica, per effettuare una diagnosi più accurata o per trovare relazioni all’interno di enormi moli di dati, è ormai affermato, ma ci sono alcuni aspetti da limare. La qualità e la quantità dei dati da analizzare sono tra questi, ma altrettanto importante è la scelta delle features da far analizzare agli algoritmi sviluppati.

Molti degli studi condotti finora sviluppano modelli di machine learning, metodo che richiede un’attenta selezione delle feature per essere affidabile. Errori nella scelta di queste caratteristiche possono vanificare la struttura artificiale, rendendo il modello pericoloso, se veicola risultati errati.

Uno studio condotto in collaborazione tra ricercatori coreani e statunitensi ha affrontato proprio di questo aspetto, suggerendo di spostare l’attenzione dal machine learning al deep learning, in particolare alle reti neurali convoluzionali: quest’ultime mimano la struttura del cervello umano e non necessitano di una preselezione di feature per funzionare.

Le reti neurali convoluzionali sono strutturate in più livelli, tipicamente tre: i primi due (convolutional e pooling), estraggono le caratteristiche dai dati e le riducono di dimensioni, offrendole poi al terzo livello (fully connected), che ne estrae l’esito finale d’interesse.
Tutto ciò si può fare anche quando i dati di partenza provengono da immagini, per esempio di natura ortopedica. In questi casi, i modelli di intelligenza artificiale possono seguire tre diverse strategie: classificazione, individuazione, segmentazione.

Vediamoli in un esempio. Se consideriamo per esempio le lesioni di menisco, nel primo caso il modello di reti neurali convoluzionali classificherà l’immagine analizzata come “lesione di menisco” o “non lesione di menisco”, nel secondo, verranno individuate direttamente le lesioni, mentre il terzo ne darà esatta localizzazione ed estensione. Si tratta di strategie via via più complesse e anche complete: man mano che la complessità aumenta, però, il processo diventa anche più lungo. Occorre quindi capire quale sia la strategia più adeguata al contesto di analisi per il quale si vuole sviluppare un sistema di reti neurali convoluzionali.
Nello studio gli autori presentano alcuni sistemi già presenti sul mercato per ognuna delle tre strategie indicate e sottolineano anche che i sistemi di reti neurali convoluzionali hanno anche un altro vantaggio, rispetto alle machine learning: non rischiano di sostituirsi al chirurgo ortopedico, ma semplicemente gli offrono informazioni che poi possono rielaborare.

(Lo studio: Ko, S., Pareek, A., Ro, D.H. et al. Artificial intelligence in orthopedics: three strategies for deep learning with orthopedic specific imaging. Knee Surg Sports Traumatol Arthrosc (2022). https://doi.org/10.1007/s00167-021-06838-8)

Stefania Somaré