Sono passati sei anni da quando Geoffrey Hinton ha dichiarato: “Dobbiamo smettere di formare i radiologi ora”, insistendo sul fatto che “è del tutto ovvio che entro cinque anni, il Deep Learning farà meglio dei radiologi”. Invece, sembra che il futuro della diagnostica medica per immagini rimanga nelle mani dei radiologi – che hanno adottato l’intelligenza artificiale (AI) come strumento collaborativo per potenziare un aspetto chiave dell’assistenza sanitaria durante il processo di cura del paziente.
Indubbiamente, il cambiamento più significativo che sta avvenendo negli ultimi tempi è la diffusione di architetture open source di intelligenza artificiale in ambito medico e all’interno dei contesti clinici in grande scala; inoltre, occorre avere la certezza che i dati sulla diagnostica medica per immagini che vanno a formare questi modelli di intelligenza artificiale siano affidabili, vari e disponibili per tutti.
Modelli integrati di intelligenza artificiale nei flussi di lavoro clinici
Per mettere mano al primo obiettivo, Nvidia ha annunciato oggi alla riunione annuale della Società di Radiologia del Nord America (RSNA) che MONAI, un insieme di framework collaborativi open-source e liberamente disponibili creati per accelerare la ricerca e la collaborazione clinica nell’imaging medico accelerato da Nvidia, sta semplificando l’integrazione dei modelli di intelligenza artificiale nei flussi di lavoro clinici tramite dei pacchetti applicativi (MAP), distribuiti attraverso MONAI.
Nvidia e il King’s College London hanno introdotto MONAI ad aprile 2022 per semplificare i modelli di intelligenza artificiale nei flussi di lavoro clinici. Questo aiuta a trasformare dati grezzi relativi alla radiodiagnostica nei loro alter ego digitalmente interattivi, per migliorare l’analisi o la diagnostica, o guidare gli strumenti chirurgici. Per il momento la piattaforma è arrivata a oltre 600.000 download, il 50% dei quali negli ultimi sei mesi.
I leader dell’imaging medico, tra cui l’Università della California, l’ospedale pediatrico di Cincinnati e la startup Qure AI, stanno adottando MONAI per trasformare le scoperte della ricerca in impatto clinico, ha affermato Nvidia in un comunicato stampa. Inoltre, tutti i principali fornitori di servizi cloud, tra cui Amazon, Google, Microsoft e Oracle, stanno supportando MAP, consentendo a ricercatori e aziende che utilizzano MONAI di usufruire di applicazioni di intelligenza artificiale sulla loro piattaforma, sia utilizzando container o con l’integrazione di app native.
“MONAI si è davvero affermato nella comunità di ricerca e sviluppo come il PyTorch dell’assistenza sanitaria”
ha affermato David Niewolny, direttore dello sviluppo del business sanitario di Nvidia, in una conferenza stampa precedente agli annunci. “È stato realizzato appositamente per la radiologia, ma ora si sta espandendo in patologia e chirurgia digitale e affronta realmente l’intero ciclo di vita dell’intelligenza artificiale, andando a colmare il divario tra la comunità di ricerca e l’implementazione”.
For example, Cincinnati Children’s Hospital is creating a MAP for an AI model that automates total cardiac volume segmentation from CT images, aiding pediatric heart transplant patients in a project funded by the National Institutes of Health. “It is accelerating decision-making time for pediatric transplant patients,” he said. “It truly has the potential to save a number of children’s lives.”
Ad esempio, l’ospedale pediatrico di Cincinnati sta creando una MAP per un modello di intelligenza artificiale che automatizzi la segmentazione del volume cardiaco totale a partire da una TAC, aiutando i pazienti pediatrici sottoposti a trapianto di cuore all’interno di un progetto finanziato dal National Institutes of Health. “Sta accelerando i tempi decisionali per i pazienti pediatrici trapiantati”, ha affermato.
“Ha davvero il potenziale per salvare la vita di un certo numero di bambini”.
Allargare l'intelligenza artificiale e l'imaging medico a un pubblico più ampio
L’integrazione di MONAI da parte di tutti gli hyperscaler del cloud consente a questa ricerca di estendersi oltre un ospedale a un pubblico molto più ampio, ha aggiunto Niewolny. Ad esempio, il connettore MAP è stato integrato con Amazon HealthLake Imaging, che consente ai medici di visualizzare, elaborare e segmentare le immagini mediche in tempo reale. E la Medical Imaging Suite di Google Cloud ha integrato MONAI nella sua piattaforma per consentire ai medici di implementare strumenti di annotazione assistita dall’intelligenza artificiale che aiutano ad automatizzare l’attività altamente manuale e ripetitiva di etichettare le immagini mediche.
Inoltre, “l’infrastruttura Oracle Cloud ha grandi piani in programma”, ha aggiunto, in particolare alla luce della recente acquisizione di Cerner, una delle più grandi società di cartelle cliniche del mondo da parte di Oracle.
“È fantastico vedere come questo divario tra gli sviluppatori del modello e le persone che si occupano effettivamente della distribuzione clinica si stia progressivamente colmando”, ha affermato.
“Questo significa che l’innovazione dell’intelligenza artificiale sta davvero entrando a pieno titolo in tutto l’ecosistema dell’imaging medico”.
Lo sviluppo di diversi set di dati di immagini mediche
Naturalmente, anche con l’hardware e le infrastrutture migliori, i progressi nell’imaging medico, nell’intelligenza artificiale e nella scienza dei dati richiedono i giusti set di dati di imaging medico per garantire che gli algoritmi non siano distorti. A tal fine, un laboratorio di ricerca sull’intelligenza artificiale della Harvard Medical School ha appena annunciato una nuova iniziativa, chiamata MAIDA, per sviluppare e condividere diversi set di dati di immagini mediche da tutto il mondo.
Secondo il leader del laboratorio Pranav Rajpurkar, assistant professor presso la Harvard Medical School, il vero problema è che i dati di imaging medico sono raramente condivisi tra le istituzioni a causa di problemi di sicurezza dei dati, lock-in dei fornitori e costi dell’infrastruttura dei dati.
Inoltre, i dati esistenti mancano di una rappresentazione diversificata. Gli algoritmi per le applicazioni cliniche sono addestrati in modo sproporzionato in pochi ospedali, con poca o nessuna rappresentanza a livello nazionale o globale. Le popolazioni non adeguatamente rappresentate nella coorte di formazione probabilmente riceveranno risultati distorti. Ad esempio, la pelle più scura è sottorappresentata nei set di dati dermatologici ampiamente utilizzati.
“C’è un urgente bisogno di democratizzare i set di dati di immagini mediche e garantire la diversità dei dati che vengono utilizzati per la scienza dei dati e lo sviluppo dell’intelligenza artificiale”, ha detto Rajpurkar a VentureBeat.
“I dati attuali che sono di pubblico dominio sono, oltre ad essere un piccolo frammento, sono un frammento molto selettivo; inoltre, non sono diversificati e sono privi di rappresentanza internazionale”.
Circa 40 ospedali sono già coinvolti nella cura del set di dati di MAIDA, ha affermato Rajpurkar, a partire dalle radiografie del torace, che rappresentano l’esame di imaging più comune in tutto il mondo. Il laboratorio sta anche lavorando allo sviluppo di modelli di intelligenza artificiale per altri compiti piuttosto comuni dei radiologi, tra cui il posizionamento del tubo endotracheale e il rilevamento della polmonite al pronto soccorso.
“Prevediamo che MAIDA sarà un ingrediente chiave per l’intelligenza artificiale medica e la scienza dei dati, consentendo agli strumenti di lavorare su popolazioni più diverse di quanto non siano attualmente”, ha affermato.