Un nuovo modello AI per l’analisi delle scansioni mediche | Festina Lente - Notizie, recensioni e approfondimenti sull’intelligenza artificiale | Turtles AI

 Ricercatori della UCLA hanno sviluppato un innovativo modello di AI, SLIViT, capace di analizzare rapidamente scansioni mediche complesse, raggiungendo livelli di accuratezza simili a quelli degli esperti clinici. Questo sistema potrebbe rappresentare un passo avanti significativo nell’imaging medico, rendendo più efficiente la diagnosi.

Punti chiave:

•  SLIViT analizza diverse tipologie di scansioni mediche, migliorando la diagnosi multidisciplinare.
•  Funziona efficacemente anche con set di dati di addestramento ridotti.
•  Potenziale riduzione dei tempi di analisi rispetto ai metodi tradizionali.
•  La ricerca si concentrerà sull’affrontare eventuali bias per garantire equità nelle diagnosi.

Il recente sviluppo di un framework di AI da parte dei ricercatori dell’Università della California, Los Angeles (UCLA), rappresenta un progresso significativo nel campo dell’imaging medico. Il modello, denominato SLIViT (SLice Integration by Vision Transformer), è progettato per analizzare in modo rapido e accurato scansioni mediche complesse, come risonanze magnetiche e immagini 3D. La ricerca, pubblicata sulla rivista Nature Biomedical Engineering, dimostra che SLIViT può raggiungere livelli di accuratezza paragonabili a quelli degli specialisti clinici. A differenza di altri modelli, che si concentrano tipicamente su un’unica tipologia di scansione o su specifiche malattie, SLIViT è stato testato su una varietà di dati, comprese scansioni retiniche 3D, video ecografici e scansioni TC per la rilevazione di noduli polmonari. Ciò suggerisce che il modello potrebbe essere applicato in contesti clinici più ampi in futuro. Le reti neurali, come SLIViT, apprendono attraverso ampi set di dati annotati da esperti, e l’analisi delle scansioni 3D è complessa, poiché integra dimensioni di profondità, lunghezza e larghezza, richiedendo un’attenzione particolare per identificare marcatori di malattia sottili. Il co-autore Oren Avram, ricercatore post-dottorato presso UCLA Computational Medicine, ha evidenziato che la compilazione di set di dati volumetrici è una sfida con risorse convenzionali, e molti modelli esistenti hanno limitazioni nell’addestramento su un solo tipo di imaging o su specifiche condizioni patologiche. SLIViT si distingue per l’integrazione di due componenti di AI e un approccio di apprendimento che gli consente di valutare il rischio di malattia attraverso diverse modalità volumetriche. I risultati mostrano che, sebbene sia un modello generico, SLIViT ottiene prestazioni migliori rispetto a modelli più specializzati, riducendo i tempi di analisi fino a cinquemila volte. Inoltre, la sua flessibilità consente di operare efficacemente anche con set di dati clinici disordinati. Avram sottolinea l’importanza di questo sistema come modello di base per futuri sviluppi in ambito predittivo, evidenziando come l’annotazione automatizzata possa contribuire a ridurre i costi e i tempi necessari per l’acquisizione dei dati. Il coautore senior SriniVas R. Sadda ha espresso entusiasmo riguardo alla capacità di SLIViT di operare in condizioni reali, dimostrando di funzionare bene anche con un numero limitato di campioni di addestramento. La ricerca si preoccupa anche del potenziale bias negli strumenti di AI, un aspetto fondamentale che può influire sull’accuratezza diagnostica e sulle disparità sanitarie. Anche se SLIViT è caratterizzato da un processo di annotazione veloce, il team di ricerca è impegnato a garantire che eventuali bias sistematici vengano mitigati. Le prospettive future includono l’espansione della ricerca per integrare modalità di trattamento ulteriori e approfondire le capacità predittive di SLIViT. L’obiettivo è di facilitare diagnosi precoci e migliorare i regimi terapeutici.

Questo approccio rappresenta un’interessante opportunità per l’evoluzione delle tecnologie di imaging nella pratica clinica.