L'AI e il Machine Learning stanno trasformando l'imaging medico

Negli ultimi anni, il settore delle immagini mediche ha iniziato a usare il Machine Learning (ML) e l'Intelligenza Artificiale (AI) per creare nuovi strumenti che prevedono i risultati dei pazienti. Queste tecnologie possono cambiare il modo in cui i dottori diagnosticano e trattano i pazienti. Possono aiutare in diverse aree come raccogliere dati, migliorare le immagini e rendere più fluido il flusso di lavoro negli ospedali. Tuttavia, per rendere questi strumenti disponibili per l'uso quotidiano, devono passare attraverso diversi passaggi importanti.

#L'importanza di testare i modelli di AI

Prima che gli strumenti di AI possano essere usati negli ospedali, devono seguire un processo chiamato validazione prospettica. Questo significa che i modelli vengono testati in contesti clinici reali per vedere quanto bene funzionano e se aiutano i dottori nel loro lavoro. Ricevere feedback dai dottori durante questa fase di test è fondamentale. Permette agli sviluppatori di capire quanto siano usabili e comprensibili i risultati e di risolvere eventuali problemi tecnici con i sistemi ospedalieri esistenti.

Passare questi modelli di AI dai test iniziali all'uso clinico quotidiano è importante. Mentre i test iniziali si basano su dati passati, usarli in tempo reale con pazienti attuali è ciò che conta davvero.

#Sfide con l'integrazione

Integrare questi modelli avanzati negli ospedali richiede molta infrastruttura e sistemi software, che possono essere complicati e costosi. Ci sono varie opzioni disponibili, da software commerciali pronti all'uso a applicazioni personalizzate, ognuna con i propri vantaggi e svantaggi. Questo documento descrive un framework generale per validare e implementare modelli di ML in contesti clinici, creato con strumenti gratuiti e open-source.

#Flusso di dati

In un ambiente clinico, le immagini delle scansioni vengono inviate a un router speciale che le indirizza ai sistemi appropriati. Queste immagini vanno poi a un sistema di archiviazione, come il PACS. Allo stesso tempo, le immagini vengono inviate a un server che esegue i modelli di AI. Dopo l'elaborazione, i risultati vengono inviati a una piattaforma di gestione delle immagini chiamata XNAT, che consente ai dottori di accedere facilmente ai loro risultati.

#Routing e acquisizione delle immagini

Quando vengono scattate immagini cliniche, vengono instradate attraverso un sistema che assicura che raggiungano le giuste destinazioni, incluso il sistema di archiviazione e il servizio di inferenza AI. Le regole di routing si basano su dettagli specifici nei dati delle immagini. Questa configurazione consente di gestire le immagini in modo efficiente, sia automaticamente che manualmente.

#Server di inferenza AI

Il sistema è composto da macchine virtuali incaricate di elaborare le immagini attraverso i modelli di AI. Ognuna di queste macchine ha unità di elaborazione grafica (GPU) dedicate per gestire i compiti computazionali intensivi richiesti dalle applicazioni di AI. I server eseguono un software specifico per gestire i flussi di lavoro di AI.

#Come funziona l'inferenza AI

L'inferenza AI implica una serie di passaggi per analizzare le immagini mediche. Inizialmente, il sistema elabora i dati in arrivo per trovare le parti rilevanti. Poi, esegue vari compiti di preprocessing. Dopo, il modello di AI esegue la sua analisi, che può includere calcoli aggiuntivi. Infine, i risultati vengono inviati al sistema di archiviazione specificato.

#Gestione dei risultati

Una volta che l'AI ha generato i risultati, devono essere archiviati correttamente. XNAT non solo funge da piattaforma di archiviazione, ma consente anche plugin personalizzati per gestire e visualizzare i risultati. Questa comunicazione bidirezionale consente ai dottori di visualizzare i risultati generati dall'AI insieme ai dati tradizionali, rendendo più facile integrarli nei loro processi di lavoro.

#Sviluppo e implementazione delle pipeline

Lo sviluppo dei modelli di AI e la loro efficace implementazione in contesti clinici richiede collaborazione tra ingegneri, scienziati dei dati e utenti clinici. Attraverso test e feedback, i team apportano le necessarie modifiche per garantire che le pipeline siano facili da usare e soddisfino tutti i requisiti.

#Progetti di prova di concetto

Per testare quanto bene questi modelli di AI possano funzionare in contesti reali, sono stati avviati tre progetti diversi. Ognuno di questi progetti ha coinvolto diversi reparti medici e aveva obiettivi specifici per determinare se l'AI potesse essere utile nella cura clinica.

1. Segmentazione dei tumori cerebrali: Questo progetto si è concentrato sull'uso dell'AI per analizzare le scansioni MRI di pazienti con specifici tumori cerebrali. L'obiettivo era monitorare i cambiamenti nel tumore nel tempo.

2. Segmentazione dei trapianti di fegato: Qui, l'AI è stata utilizzata per assistere i chirurghi nella pianificazione dei trapianti di fegato, delineando automaticamente le strutture epatiche nelle immagini CT.

3. Rilevamento delle fratture dell'anca: Questo progetto mirava ad aiutare i dottori a identificare rapidamente le fratture nelle radiografie dell'anca, migliorando i tempi di trattamento nei pronto soccorso.

Ogni progetto ha aiutato a misurare le prestazioni dei modelli di AI e quanto bene si integrassero con i flussi di lavoro clinici esistenti.

#Flussi di lavoro clinici

Perché uno strumento nuovo sia efficace in un ospedale, deve adattarsi perfettamente alle routine quotidiane del personale. Questo significa che i team di sviluppo devono lavorare a stretto contatto con gli utenti clinici per progettare processi che riducano al minimo le interruzioni. Devono essere fatti sforzi per garantire che qualsiasi informazione generata dall'AI sia utile, chiara e aggiunga valore alla cura del paziente.

#Governance e validazione

Prima che i risultati dell'AI possano essere utilizzati nella pratica clinica quotidiana, è essenziale un piano di governance. Questo piano fornisce un modo strutturato per valutare se gli strumenti di AI siano accurati e affidabili. Il processo implica valutare l'impatto di questi strumenti sulla cura del paziente e garantire che migliorino i flussi di lavoro esistenti senza introdurre rischi inutili.

#Conclusione

Creare un framework affidabile per l'implementazione di modelli di AI in contesti clinici richiede un notevole impegno e collaborazione. L'infrastruttura allestita può supportare varie applicazioni di AI in futuro e fornisce una piattaforma flessibile per sviluppi futuri. Investendo in queste tecnologie ora, le strutture sanitarie possono migliorare i risultati per i pazienti e semplificare i loro processi. L'attenzione al software open-source consente adattabilità e resilienza, rendendolo una scelta intelligente per gli ospedali che cercano di migliorare le loro capacità nell'imaging medico e nella cura del paziente.