di Subh Bhattacharya |
responsabile della divisione Sanità, Dispositivi Medicali & Scienza di Xilinx
I pazienti, i fornitori di servizi sanitari, gli ospedali, i produttori di apparecchiature medicali, le aziende farmaceutiche, i professionisti e i vari attori che fanno parte dell’ecosistema traggono tutti vantaggio dalle tecnologie di Intelligenza Artificiale e dagli strumenti basati sull’apprendimento automatico. Dalle misure delle geometrie anatomiche, alla diagnosi di cancro, dalla radiologia alla chirurgia, dalla scoperta di farmaci alla genomica, le possibilità del Machine Learning sono infinite. In questi scenari, l’apprendimento automatico può portare a un aumento dell’efficienza operativa e a una significativa riduzione dei costi.
Intelligenza Artificiale e apprendimento automatico: il quadro normativo
Anche il sostegno normativo nell’ambito dell’Intelligenza Artificiale è in costante aumento e la Federal Drug Administration statunitense sta approvando un numero crescente di metodi di apprendimento automatico per l’assistenza alla diagnosi e per altre applicazioni. La Fda ha inoltre creato un nuovo quadro normativo per i prodotti basati sull’apprendimento automatico. Quest’ultimo fa riferimento alle tecniche di apprendimento automatico quali “software come dispositivi medicali” e prevede vantaggi significativi in termini di qualità e di efficienza delle cure. Per sostenere tale iniziativa, la Federal Drug Administration ha introdotto un “piano predeterminato di controllo delle modifiche” per le richieste precedenti all’immissione sul mercato che includerebbe i tipi di modifiche previste e la metodologia associata da utilizzare per effettuare tali modifiche in modo controllato. La Fda si attende anche l’impegno da parte dei produttori dei dispositivi medicali nella trasparenza e nel monitoraggio delle prestazioni nel mondo reale dei SaMD (Software as a Medical Device), oltre agli aggiornamenti periodici sulle modifiche che sono state introdotte come parte delle specifiche preliminari approvate e del protocollo di modifica dell’algoritmo. Questo quadro consente alla Fda e ai produttori di monitorare un prodotto dal suo sviluppo precedente all’introduzione sul mercato alla sua operatività dopo la commercializzazione e consente alla sorveglianza normativa di abbracciare il potenziale di miglioramento iterativo di una soluzione SaMD, assicurando al contempo la sicurezza del paziente.
Il machine learning entra nella sanità
Le modalità in cui l’apprendimento automatico può trovare impiego per risolvere problemi critici in campo sanitario sono diverse. Ad esempio, la diagnostica digitale delle patologie, la radiologia, la dermatologia, la diagnostica vascolare e l’oftalmologia utilizzano tutte tecniche standard di elaborazione delle immagini. Le radiografie del torace costituiscono la procedura radiologica più comune con oltre 2 miliardi di analisi eseguite ogni anno in tutto il mondo, ossia 548.000 analisi al giorno. Una tale enorme quantità di esami impone un carico pesante sui radiologi e ne mette alla prova l’efficienza del flusso di lavoro. Spesso i metodi di apprendimento automatico, delle reti neurali profonde e delle reti neurali convoluzionali superano i radiologi in termini di velocità e di precisione, ma l’esperienza di un radiologo resta ancora di fondamentale importanza.
Tuttavia, in condizioni di stress nel corso di un processo decisionale veloce, il tasso di errore umano potrebbe essere anche del 30%. Coadiuvare il processo decisionale con i metodi di apprendimento automatico può migliorare la qualità del risultato, fornendo ai radiologi e agli altri specialisti uno strumento aggiuntivo.
In uno studio di Stanford ML Group, una rete neurale convoluzionale a 121 strati è stata addestrata per rilevare la polmonite meglio di quattro radiologi. Allo stesso modo, in molti altri studi del National Institute of Health e di altre organizzazioni, le sperimentazioni sulla diagnosi precoce dei noduli cancerosi polmonari per la diagnosi del cancro del polmone che hanno utilizzato un modello basato su reti neurali profonde hanno ottenuto una precisione migliore rispetto alla diagnosi di più radiologi.
Anche se l’adozione della tecnologia nel campo della diagnosi digitale delle patologie è più lenta, più rilevamenti basati su algoritmi applicati in uno studio sul cancro si sono confrontati bene, e talvolta sono stati migliori della diagnosi di diversi patologi. Analogamente, gli approcci basati sulle reti neurali ricorrenti/celle di memoria lunga a breve termine per l’annotazione del genoma prevedevano risultati migliori nel caso in cui le varianti a singolo nucleotide risultavano potenzialmente patogene.
Molte procedure nel campo della radiologia, della diagnosi di patologie, della dermatologia, della diagnostica vascolare e dell’oftalmologia potrebbero riguardare immagini di grandi dimensioni, a volte di 5 Megapixel o più grandi, che richiedono elaborazioni complesse delle immagini.
Inoltre, il flusso di lavoro dell’apprendimento automatico può richiedere il ricorso intensivo alle risorse di elaborazione e alla memoria. Il calcolo predominante è l’algebra lineare e richiede numerose elaborazioni e una moltitudine di parametri. Ciò si traduce in miliardi di operazioni di moltiplicazione-accumulo, centinaia di Megabyte di dati parametrici e richiede una moltitudine di operatori e un sottosistema di memoria altamente distribuito.
Pertanto, l’esecuzione efficiente di inferenze accurate delle immagini per il rilevamento o la classificazione dei tessuti attraverso i metodi computazionali tradizionali su Pc e su Gpu sono inefficienti, e le aziende sanitarie sono alla ricerca di tecniche alternative per risolvere questo problema.
