Machine Learning: la nuova frontiera delle diagnosi radiologiche

Da 5 anni al Galeazzi è in corso un progetto di Machine Learning applicato all’ortopedia per ottenere diagnosi più accurate. La parola ai suoi ricercatori

Da 5 anni, presso l’IRCCS Istituto Ortopedico Galeazzi, l’ingegner Fabio Galbusera, direttore del Laboratorio di Meccanica delle Strutture Biologiche, e i ricercatori Tito Bassani e Andrea Cina sono al lavoro per sviluppare e implementare un progetto di Machine Learning (Apprendimento Automatico), applicato alla realtà ortopedica della struttura milanese di Gruppo San Donato. 

Ciò potrebbe rappresentare una svolta, soprattutto da un punto di vista diagnostico. Ma come funziona? 

Il progetto: Machine Learning applicato alla radiologia

Il Machine Learning (Apprendimento automatico) rientra nella grande famiglia dell’Intelligenza Artificiale (AI) e si occupa di estrarre conoscenze e informazioni dai dati e utilizzarli per sviluppare task utili dal punto di vista clinico. 

Per ottenere risultati validi e accurati, è importante che i dati di partenza siano molti e di buona qualità.

“La strumentazione è per lo più costituita da software, che sviluppiamo noi sulla base di librerie messe a disposizione da vari istituti di ricerca, da utilizzare su computer molto potenti che hanno al loro interno schede (GPU) simili a quelle dei videogiochi.

Il nostro lavoro, in questi 5 anni, si è basato soprattutto sull’interpretazione delle immagini radiografiche, essendo la radiologia uno dei campi di applicazione più tipici del Machine Learning, in tempi recenti - spiega l’ing. Fabio Galbusera, capo del progetto -. 

Abbiamo organizzato lo studio in due fasi: 

•  fase di training;
•  fase di validazione”. 

La fase di training

“Nel primo step di training, abbiamo raccolto migliaia di immagini radiografiche del Galeazzi, e abbiamo cominciato a estrarre e catalogare i dati relativi a determinate patologie e a caricarli all’interno del software. 

In questo modo abbiamo creato una sorta di libreria in grado di soddisfare tutte le possibilità di analisi della radiografia stessa. 

A questo punto abbiamo ‘addestrato’ il computer a estrarre questo tipo di informazioni dalle immagini radiografiche”, approfondisce l’esperto.

La fase di validazione

“Nel secondo step di validazione, abbiamo chiesto alla macchina di valutare un nuovo set di immagini che non era stato utilizzato durante l’addestramento e abbiamo sottoposto i risultati all’esperto (ovvero al medico radiologo) per la validazione, il quale è andato a valutarne la veridicità e l’accuratezza”. 

Il progetto di Machine Learning Radiologico del Galeazzi

“Attualmente, ci stiamo concentrando per lo più sulle immagini radiologiche che prendiamo soprattutto dal database radiologico del Galeazzi. Stiamo lavorando sulle:

• radiografie lombari e laterali di EOS, un’apparecchiatura radiologica che permette di studiare la colonna vertebrale e gli arti inferiori stando in posizione eretta in carico;
• Risonanze Magnetiche della colonna lombare. 

Le TC sono ancora escluse dalla nostra sperimentazione, ma rappresentano uno dei nostri prossimi obiettivi - continua l’esperto -. 

Oltre alle fratture, ci occupiamo anche di degenerazione del disco intervertebrale, di deformità come la scoliosi (comprese quelle dell’adulto).

Ci stiamo occupando anche di un aspetto del tutto nuovo, ovvero la possibilità di prevedere gli esiti dell’intervento chirurgico (outcome), che stiamo sviluppando basandoci sui dati contenuti in SpineReg, un registro che contiene le informazioni cliniche dei pazienti che vengono sottoposti a interventi di chirurgia vertebrale al Galeazzi”.

I Vantaggi dell’utilizzo del Machine Learning

I vantaggi di questa applicazione sono molteplici, grazie a questa procedura, infatti, è possibile: 

• estrapolare il maggior numero di informazioni e dati sulle differenti patologie muscolo-scheletriche per una diagnosi più efficace e accurata;
• valutare come tracciare  in maniera automatica, senza nessun supporto medico, le linee e gli angoli che solitamente eseguono i medici a mano e che vanno a evidenziare il grado di gravità della patologia.

Con un ulteriore duplice vantaggio: non si rende necessaria la presenza di una persona esperta che validi il risultato e la ripetibilità. Il tracciamento può essere ripetuto più e più volte con lo stesso risultato, cosa che non succede quando viene ripetuto da un essere umano.

Prospettive future e criticità

“L’ideale, tra qualche anno - afferma il ricercatore - sarebbe fissare un’immagine a computer, e ricevere un referto, stilato sulla base dei finding in maniera automatica. È come se andasse a sostituire il medico radiologo nella refertazione”. 

Un aspetto controverso è quello legato alla responsabilità dell’errore: se nell’analisi dei dati il computer dovesse sbagliare diagnosi, chi si assumerebbe la responsabilità? L’azienda produttrice del software o comunque il radiologo che ha avviato il processo? A oggi, questa rappresenta ancora una questione dibattuta e non ancora del tutto chiarita.  

“Questo particolare ambito è in costante evoluzione: prevediamo di avere, a partire dai prossimi 3-4 anni, prodotti utilizzabili già a livello clinico e approvati dal Ministero della Salute e dall’Unione Europea, anche per quanto riguarda la validazione e la regolamentazione delle procedure” asserisce Galbusera.

Le possibili future applicazioni in ambito ortopedico

Il campo delle possibili applicazioni in ambito ortopedico è molto interessante, come spiega l’ingegnere: “Un esempio di applicazione potrebbe essere la mappatura e la localizzazione delle fratture e delle relative posizioni all’interno dell’apparato scheletrico, ma potrebbe benissimo essere applicata a qualsiasi altra problematica muscolo-scheletrica.

Grazie alla raccolta di dati e informazioni ricavate dalle immagini radiografiche, il Machine Learning sarà in grado, grazie a determinati algoritmi, di analizzare ed effettuare diagnosi accurate senza, in futuro, l’ausilio e la supervisione di un radiologo.

È importante però sottolineare il carattere sperimentale di questo lavoro e il fatto che non sia ancora applicabile ‘ufficialmente’ all’ambito clinico anche perché, per poterlo utilizzare in questo senso, dovrebbe avere necessariamente il marchio CE. 

L’obiettivo finale è quello di riuscire a diagnosticare e refertare qualsiasi tipo di problematica muscolo-scheletrica”.