Progressi nella Rilevazione della Polmonite Usando l'IA

Nel 2019, la Polmonite ha causato la morte di oltre 740.000 bambini sotto i cinque anni, diventando una delle principali cause di morte nei bambini piccoli. La polmonite è un'infezione che colpisce i polmoni, spesso causata da un virus o da batteri. Riempie i piccoli sacchi d'aria nei polmoni di pus e liquido, rendendo difficile respirare. I sintomi comuni includono una tosse persistente, mancanza di respiro, dolore al petto, affaticamento e febbre.

#Sfide nella Diagnosi della Polmonite

In aree con assistenza sanitaria limitata, diagnosticare la polmonite può essere davvero difficile. Spesso non ci sono abbastanza operatori sanitari formati o strutture adeguate per fare diagnosi accurate. Di solito si usano le radiografie del torace per trovare la polmonite, ma questo metodo può richiedere molto tempo ed è soggetto a errori umani. Qui entra in gioco la tecnologia, in particolare l'analisi automatica delle immagini.

L'Intelligenza Artificiale (IA), in particolare strumenti noti come le Reti Neurali Convoluzionali (CNN), viene sempre più utilizzata per rilevare meglio la polmonite, soprattutto in luoghi con poche risorse.

#Il Ruolo dei Modelli Leggeri di IA

Esistono molti modelli potenti di IA, ma possono richiedere molta potenza di calcolo. Questo li rende meno utili in contesti con risorse limitate. Invece, modelli più leggeri come MobileNet vengono spesso scelti perché offrono un buon mix di velocità e precisione.

Lo studio si concentra sul confronto tra due tipi di modelli leggeri per rilevare la polmonite: i Vision Transformers ibridi (ViT) e le CNN tradizionali. L'idea è che i modelli ibridi, che combinano le caratteristiche di CNN e ViT, funzioneranno meglio delle CNN standard.

#Fonte e Preparazione dei Dati

Lo studio ha utilizzato un dataset specifico noto come il dataset Mendeley di radiografie del torace per la polmonite. Questo dataset include immagini che aiutano a addestrare i modelli. Sono state usate un totale di 5.216 immagini, di cui 3.875 etichettate come polmonite e 1.341 etichettate come normali. Queste immagini sono state poi divise in set di addestramento, validazione e test.

#Aumento dei Dati

Per garantire che i modelli apprendano in modo efficace, sono state utilizzate diverse tecniche per modificare leggermente le immagini di addestramento. Questo metodo, chiamato aumento dei dati, aiuta il modello a generalizzare meglio. Sono state apportate le seguenti modifiche:

1. Rotazione: Le immagini sono state ruotate casualmente fino a 180 gradi.
2. Affine: Sono state apportate regolazioni, come leggero ridimensionamento e spostamento delle immagini.
3. Ribaltamento: Le immagini possono essere ribaltate orizzontalmente o verticalmente.
4. Ridimensionamento: Tutte le immagini sono state ridimensionate a una dimensione standard di 224x224 pixel.
5. Normalizzazione: I colori nelle immagini sono stati regolati per rientrare in un certo intervallo.

Le immagini di validazione e test sono state ridimensionate e normalizzate anch'esse, ma con meno modifiche rispetto alle immagini di addestramento.

#Modelli Usati nello Studio

Sono stati testati quattro modelli leggeri nello studio:

#EfficientNet Lite0

Questo modello è una versione più piccola di EfficientNet, progettata specificamente per dispositivi mobili. Mantiene prestazioni elevate utilizzando meno risorse. Combina strati speciali che sono efficaci sia per la velocità che per la precisione.

#MobileNetV3 Large

MobileNetV3 Large è anch'esso destinato a dispositivi mobili. Utilizza tecniche avanzate per migliorare la sua efficienza, contribuendo a raggiungere precisione senza richiedere molta potenza.

#MobileViT Small

MobileViT Small combina caratteristiche delle CNN e dei ViT. Questo modello cattura bene i dettagli locali, comprendendo anche contesti più ampi nell'immagine. Questo equilibrio lo rende adatto per applicazioni mobili.

#EfficientFormerV2 S0

EfficientFormerV2 S0 è un altro modello progettato per un'elaborazione veloce su dispositivi semplici. Utilizza un mix di tecniche efficienti per mantenere basso il consumo di risorse, ottenendo buoni risultati nella classificazione delle immagini.

#Addestramento e Valutazione dei Modelli

Tutti i modelli sono stati addestrati per un totale di 30 cicli (o epoche). Durante questo periodo, hanno appreso dai dati di addestramento e sono stati poi testati su dati di validazione separati per controllare i loro progressi.

La configurazione di addestramento includeva:

• Ottimizzatore: È stato utilizzato uno strumento noto come Adam per regolare come i modelli apprendono, con un focus specifico sulla riduzione degli errori.
• Funzione di Perdita: Questo è un metodo per misurare quanto bene sta funzionando il modello.
• Piano: Un sistema che aiuta a regolare la velocità di apprendimento se il miglioramento del modello si ferma.

Dopo l'addestramento, ogni modello è stato valutato in base a quanto bene ha performato sul dataset di test. Sono state utilizzate le seguenti misure per valutare le loro prestazioni:

• Punteggio di Accuratezza: Questo mostra la percentuale di previsioni corrette.
• Punteggio F1: Questo è una misura combinata di precisione e richiamo.
• Punteggio di Precisione: Questo mostra quanti dei casi positivi previsti erano effettivamente positivi.
• Punteggio di Richiamo: Questo indica quanti dei casi positivi reali sono stati identificati.

#Risultati dello Studio

Lo studio ha trovato che sia i modelli CNN che quelli ibridi ViT hanno performato bene nell'identificare la polmonite nelle immagini a raggi X. Tuttavia, i modelli ibridi hanno fatto meglio in generale, in particolare il modello MobileViT Small. Questo modello ha raggiunto un punteggio di accuratezza del 97,5% e un punteggio F1 del 96,64%.

Al contrario, il miglior modello CNN, MobileNetV3 Large, ha avuto un punteggio di accuratezza del 95,78% e un punteggio F1 del 94,33%. Anche se ha funzionato bene, non era efficace nel richiamo come i modelli ibridi.

La prestazione superiore dei modelli ibridi deriva dalla loro capacità di catturare sia i pattern locali che quelli più ampi nelle immagini a raggi X. Questa caratteristica è essenziale per fare diagnosi accurate, dove i segni sottili di polmonite possono essere distribuiti nell'immagine.

#Implicazioni per l'Assistenza Sanitaria

I risultati rivelano che modelli ibridi leggeri come MobileViT Small ed EfficientFormerV2 S0 sono molto utili per migliorare il richiamo in contesti medici, come il rilevamento della polmonite. Un alto richiamo è fondamentale perché perdere una diagnosi di polmonite può ritardare il trattamento, danneggiando potenzialmente il paziente.

I modelli CNN, come MobileNetV3 Large, rimangono forti contendenti per alcune applicazioni, in particolare dove è necessaria un'elaborazione rapida e le risorse sono limitate.

#Direzioni per la Ricerca Futura

Andando avanti, sarebbe utile concentrare l'attenzione su rendere questi modelli ibridi ancora più leggeri in termini di risorse mantenendo alta la loro precisione diagnostica. Inoltre, applicare questi modelli ibridi ad altri compiti di imaging medico potrebbe rivelarsi vantaggioso. La ricerca potrebbe anche esplorare modi per migliorare le CNN affinché possano catturare meglio i pattern ampi nelle immagini, portando a strumenti diagnostici ancora più intelligenti.

In conclusione, lo sviluppo continuo della tecnologia in ambito sanitario presenta opportunità significative per migliorare il rilevamento e il trattamento della polmonite e di altre malattie, soprattutto in aree con risorse limitate. Combinando i punti di forza di diversi modelli, c'è un grande potenziale per migliorare i risultati per i pazienti bisognosi.