Un nuovo modello di deep learning può imparare a identificare le malattie dalle scansioni mediche in modo più rapido e accurato, secondo una nuova ricerca condotta da un team di scienziati informatici dell'Università di Alberta e dalla società spin-off della U of A MEDO. Il modello rivoluzionario è il lavoro di un team di ricercatori della Facoltà di Scienze, compresi i contributi di Pouneh Gorji, uno studente laureato perso nel volo PS752.
L'apprendimento profondo è un tipo di apprendimento automatico, un sottocampo dell'intelligenza artificiale; Le tecniche di deep learning sono algoritmi informatici che trovano modelli in grandi insiemi di dati, producendo modelli che possono essere utilizzati per fare previsioni. Questi modelli funzionano meglio quando imparano da centinaia di migliaia o addirittura milioni di esempi. Ma il campo della diagnostica medica presenta una sfida unica, in cui i ricercatori in genere hanno accesso solo a poche centinaia di immagini di scansioni mediche per motivi di privacy.
"Quando un modello di deep learning viene addestrato con così poche istanze, le sue prestazioni tendono a essere scarse", ha affermato Roberto Vega, autore principale dello studio e studente laureato presso il Dipartimento di Informatica.
“Nel nostro studio, abbiamo affrontato il problema di come apprendere modelli di deep learning efficaci per attività mediche con poche istanze di formazione. L'idea principale è che possiamo sfruttare le conoscenze presenti nella letteratura medica per guidare meglio il processo di apprendimento".
I miglioramenti nelle prestazioni derivano dall'addestramento dell'algoritmo su immagini mediche e dalla corrispondente diagnosi "probabilistica", fornita indirettamente da esperti medici. Questo approccio consente all'algoritmo di apprendere i modelli che caratterizzano ogni malattia nelle scansioni, consentendogli di prevedere quale malattia viene mostrata nella scansione di un nuovo paziente o se la scansione sembra sana.
"Il nostro approccio ha migliorato l'accuratezza della classificazione del modello e ha fornito una significativa fiducia nella sua previsione, fornendo una stima della probabilità che una malattia sia presente in una scansione", ha affermato Vega.
“Con questa ricerca, vogliamo fornire ai radiologi strumenti migliori che rendano il loro lavoro più facile, veloce ed efficace. Abbiamo anche il problema della scarsità di personale medico, che è un problema aggravato nei paesi in via di sviluppo. La nostra speranza è di poter sviluppare modelli che permettano ai nostri esperti medici di prendere decisioni migliori».
Il lavoro di molti
La ricerca include contributi significativi di Pouneh Gorji, laureato postumo del Dipartimento di Informatica e vittima della tragedia del volo PS752. Nel gennaio 2020, Gorji e Arash Pourzarabi sono tornati a casa in Iran per sposarsi ed erano due dei quattro membri della comunità della Facoltà di Scienze tra le 176 persone uccise nel volo PS752.
Per il team, la ricerca è anche un'opportunità per onorare l'eredità di Gorji e il suo contributo critico al progetto. Quando i ricercatori hanno iniziato il progetto, l'algoritmo era focalizzato esclusivamente sulla displasia dell'anca, ha spiegato Vega. Gorji stava lavorando allo sviluppo di modelli di apprendimento automatico per identificare il fegato grasso, ed è stata la sua adesione al team che alla fine ha portato a una riprogettazione dell'algoritmo e alla svolta nelle prestazioni.
"L'originale algoritmo non funzionava per il fegato grasso, quindi Pouneh e io abbiamo iniziato a lavorare insieme per risolvere il problema. Dopo diverse settimane, abbiamo scoperto un importante difetto nell'approccio originale e siamo stati in grado di proporre una soluzione, una che prevedeva un nuovo modo matematico di affrontare una sezione del modello", ha affermato Vega.