Gli strumenti di Artificial Intelligence a supporto della ricerca in campo medico per il Covid-19

I sistemi di Intelligenza Artificiale (IA) stanno dando un contributo notevole nel contrasto della pandemia di COVID-19. L'Intelligenza Artificiale può rappresentare un valido aiuto nell'individuazione di focolai, intervenendo anche con molto tempo in anticipo per conoscere dove si potrebbe diffondere un potenziale contagio. Anche il Data Science, i Big Data e la robotica possono contribuire al contenimento del contagio con sistemi che includono algoritmi di previsione di una potenziale diffusione del virus sulla base di dati di precedenti pandemie, o robot per la telemedicina, l'assistenza clinica e la disinfezione. Il Data Science codifica i sistemi di Intelligenza Artificiale e identifica dove i dati di addestramento passati possono essere ancora rilevanti oggi. Tra gli strumenti più potenti a servizio dell'IA, gli algoritmi per il Deep Learning rivestono un ruolo estremamente importante. La Rete Neurale Convoluzionale o ConvNet, acronimo di Convolutional Neural Network, è un algorimo di Deep Learning in cui un modello computerizzato viene addestrato a svolgere attività di classificazione a partire da immagini, video, testo o suoni. Le reti neurali convoluzionali sono attualmente lo strumento più all'avanguardia per l'image recognition e la rilevazione di pattern nelle immagini. 

L'intelligenza artificiale può davvero essere un valido aiuto per la prevenzione ed il contenimento del Corona Virus, sia  nella ricerca medica come supporto alla diagnostica sia in termini di strumento di contenimento del contagio. I sistemi di intelligenza artificiale e Machine Learning necessitano di un numero corposo di informazioni per identificare e rilevare modelli a partire da dati storici di addestramento. Tuttavia, pur essendo l'intelligenza artificiale la capacità di replicare comportamenti umani, l'IA e gli esseri umani si differenziano sostanzialmente nel modus operandi. L'essere umano è in grado di apprendere da un'impostazione ed applicare l'informazione acquisita a nuove situazioni attingendo dalle conoscenze astratte per mettere a punto modelli previsionali ed ipotesi future, mentre i sistemi basati sull'intelligenza artificiale imparano da zero ogni qual volta l'impostazione o l'attività cambia. La raccolta di nuovi dati di addestramento inerenti le condizioni attuali, tanto per gli umani quanto per i sistemi di intelligenza artificiale, è una fase fondamentale per prendere decisioni future, pertanto l'efficacia di condivisione di informazioni e dati, impatta direttamente sulle possibilità di risoluzione di un problema e sulle decisioni da prendere.

Figura 1. Le reti neurali all'interno dell'architettura del Machine Learning

Rete Neurale Convoluzionale

Le Convolutional Neural Network vengono implementate in applicazioni e contesti che richiedono il riconoscimento di oggetti e la visione artificiale, come nei veicoli a guida autonoma e in tutte quelle applicazioni di riconoscimento facciale. La ConvNet, dopo aver acquisito le immagini, apprende automaticamente le features e classifica gli oggetti. Concretamente, una rete neurale analizza immagini incluse all'interno di set di dati e classifica gli oggetti nelle immagini. Un modello di rete neurale ConvNet viene addestrato (training) su un numero elevatissimo di immagini, una fase che richiede enormi tempi di calcolo e potenza computazionale. In base all'applicazione che si intende realizzare e alla disponibilità di dati, è possibile addestrare una rete neurale convoluzionale da zero oppure utilizzare un modello pre-addestrato con il proprio dataset. E' evidente che l'utilizzo di modelli pre-addestrati è molto più veloce e semplice rispetto all’addestramento di una rete neurale da zero, poichè è necessaria una quantità irrisoria di dati e risorse computazionali e si può sfruttare la conoscenza di un problema per la risoluzione di problemi analoghi. Le reti neurali convoluzionali sono così importanti per l'Artificial Intelligence perché eliminano la necessità dell’estrazione manuale delle features (features extraction) e possono essere riaddestrate per nuove attività di riconoscimento utilizzando reti preesistenti. L'architettura di una ConvNet è abbastanza complessa e la sua spiegazione dettagliata richiede una trattazione separata, ma possiamo definirne brevemente i punti salienti. E' strutturata con un certo numero di layer, un layer di input, uno di output e vari layer intermedi, ciascuno dei quali impara a identificare diverse features di un’immagine; alla fase di apprendimento delle features nei diversi layer (features learning) segue la fase di classificazione vera e propria (classification). I layer apprendono la capacità di estrazione delle features sempre più complesse con l'aumentare della profondità della rete. Ad ogni immagine, a differenti risoluzioni, vengono applicati i filtri, che sono insiemi di moltiplicatori, e l’output di ogni immagine viene utilizzato come input per il layer seguente, differenti filtri sono in grado di evidenziare determinati pattern all'interno di un'immagine.

Figura 2. Architettura di una rete neurale convoluzionale

La Rete Neurale Convoluzionale COVID-net: un progetto open-access

Per affrontare l'emergenza sanitaria in atto, diviene di rilevante importanza effettuare uno screening efficace dei pazienti infetti. Sono stati proposti numerosi sistemi di AI basati sull'apprendimento profondo con risultati abbastanza promettenti in termini di accuratezza nel rilevare pazienti infetti da Covid-19 sfruttando la tecnica dell'imaging radiologico. Tuttavia, questi sistemi di intelligenza artificiale sono stati chiusi e resi non disponibili sia per la comunità di ricerca che per l'accesso e l'uso da parte del pubblico. Al fine di mettere in comune i dati in modo che i sistemi di intelligenza artificiale possano setacciare le informazioni per identificare i modelli, è stata messa a punto una rete neurale convoluzionale open-access, nota con il nome COVID-net, un tipo di intelligenza artificiale che è particolarmente "brava" a riconoscere le immagini e che sta contribuendo allo sviluppo collaborativo di un sistema per identificare Covid-19 nelle scansioni polmonari, una rete neurale che può, quindi, aiutare ad individuare il Covid-19 e captare segni rivelatori di polmonite nelle radiografie del torace, similmente ad una rete neurale convoluzionale che esamina referti medici per la rilevazione visiva di cellule tumorali. COVID-Net potrebbe aiutare scienziati e ricercatori di tutto il mondo a sviluppare uno strumento di intelligenza artificiale in grado di diagnosticare con i raggi X il Covid-19, uno strumento robusto e affidabile per aiutare gli operatori sanitari a combattere la pandemia.

La rete neurale open source COVID-Net creata per la diagnosi di Covid-19 è stata sviluppata da Linda Wang e Alexander Wong presso l'Università di Waterloo (Department of Systems Design Engineering) in collaborazione con la società canadese DarwinAI, specialista in tecnologie AI. COVID-Net, che allo stato attuale non rappresenta ancora una soluzione pronta per la diagnosi, è stata addestrata per identificare i segni di Covid-19 nelle radiografie del torace utilizzando un set di dati di radiografia sfruttato per addestrare COVID-Net, chiamato COVIDx e composto da 5.941 immagini prese da 2.839 pazienti con varie condizioni polmonari come infezioni batteriche, infezioni virali non Covid e Covid-19. Il CEO di DarwinAI, Sheldon Fernandez, ha presentato il progetto all'EmTech Digital, la conferenza virtuale ospitata dal MIT Technology Review dal 23 al 25 marzo 2020 con esperti di intelligenza artificiale di rilievo mondiale, spiegando l'importanza in un momento di emergenza sanitaria globale, di poter disporre di strumenti avanzati di AI ad alto livello di "trust" per la diagnosi e la ricerca. Poter disporre anche di sistemi diagnostici assistiti da computer rappresenta un valido aiuto per interpretare più rapidamente e accuratamente le immagini radiografiche al fine di rilevare anomalie nelle immagini, riconducibili ai casi Covid-19. I modelli della rete neurale COVID-Net sono utilizzati come strumenti di riferimento migliorabili con la disponibilità di nuovi dati, allo stato attuale sono ancora in fase di ricerca, pertanto non vanno interpretati come modelli destinati alla diagnosi clinica diretta.

Figura 3. Architettura della rete neurale open-access COVID-Net

Prospettive di sviluppo

Come noto, i sistemi di intelligenza artificiale necessitano di dati per identificare i modelli, è necessario, quindi, che i dati siano disponibili in quantità sufficiente e soprattutto che siano affidabili. Le reti neurali, se opportunamente addestrate, possono aiutare i medici a migliorare lo screening dei pazienti, non è solo la tecnologia, tuttavia, a fare la differenza ma anche la conoscenza e la creatività degli umani che la utilizzano per determinati scopi. L'IA è uno strumento ad altissimo potenziale ma il suo valore è determinato dall'intervento umano e da come viene progettata ed utilizzata. L'innovazione e la creatività saranno i fattori chiave per sfruttare al meglio tutto il potenziale delle tecnologie di intelligenza artificiale. Se sei un ricercatore, un clinico o un data scientist e desideri accedere alla piattaforma per aiutare questo progetto e ottenere informazioni su come COVID-Net rileva le infezioni Covid-19, o disponi di dati Covid-19 che desideri condividere, puoi scrivere a info@darwinai.ca.

Riferimenti progettuali

Il progetto open source COVID-Net (codice sorgente, documentazione, set di dati e documento scientifico) è disponibile sulla piattaforma GitHub

arXiv.org (COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest Radiography Images)

Altri articoli di ricerca sono consultabili sul progetto COVID-19 Open Research Dataset

 

Scarica subito una copia gratis

3 Commenti

  1. Mariangela.Mone Mariangela.Mone 11 Aprile 2020
  2. SuperG72 SuperG72 12 Aprile 2020
  3. Marcello Colozzo Marcello Colozzo 12 Aprile 2020

Scrivi un commento

Seguici anche sul tuo Social Network preferito!

Send this to a friend