Grazie all’intelligenza artificiale è stato realizzato un sistema per ottenere le immagini di una risonanza magnetica (RMN) in soli 10 secondi. Il sistema è stato presentato in anteprima mondiale al “CompMat Spring Workshop”. Questo è l’evento dedicato alle nuove frontiere del machine learning e della matematica computazionale organizzato dall’Università di Pavia.
I ricercatori Leonardo Barzaghi e Raffaella Fiamma Cabini, dottorandi del Centro “BioData Science” della Fondazione Mondino, hanno studiato lo sviluppo degli algoritmi di machine learning. Non solo, grazie a due borse di studio finanziate dal centro neurologico pavese di eccellenza, i due giovani ricercatori sono andati oltre. La loro attenzione, infatti, si è anche concentrata sullo studio del deep learning per la previsione di biomarcatori quantitativi delle malattie dell’apparato muscolo-scheletrico.
Risonanza magnetica, un esame senza effetti collaterali
Indice dei contenuti
La risonanza magnetica è un esame diagnostico con il quale si visualizza l’interno del corpo umano tramite una esposizione a campi magnetici non pericolosi. Priva di effetti collaterali e con pochissime controindicazioni, fornisce immagini tridimensionali molto dettagliate dei tessuti molli e dei tessuti duri. È considerato un test di assoluta rilevanza in traumatologia, oncologia, ortopedia, gastroenterologia, cardiologia.
La tecnica diagnostica si basa sull’uso dei campi magnetici prodotti da un grande magnete. Ciò consente di acquisire immagini particolareggiate e tridimensionali dell’interno di un’area del corpo umano. Il medico radiologo consegna i risultati della risonanza magnetica al paziente solo in seguito all’analisi delle immagini. Solitamente, l’attesa per i risultati si aggira sui 4/5 giorni.
L’intelligenza artificiale riduce i tempi della RMN
«Negli ultimi anni sono state sviluppate tecniche che permettono di quantificare le proprietà fisiche dei tessuti patologici», ha spiegato Barzaghi, attivo nell’Advanced Imaging and Artificial Intelligence Center del Mondino.
«L’uso dei modelli più evoluti di intelligenza artificiale consente oggi di accelerare i tempi di acquisizione delle informazioni quantitative della patologia. Come, ad esempio, quelle relative alla quantità dell’infiammazione, dell’atrofia e della percentuale di grasso. Grazie alle reti neurali dell’intelligenza artificiale, si possono ottenere immagini in pochi secondi, abbattendo i tempi necessari con i metodi standard, quantificabili in ore».
L’indagine sulla risonanza magnetica fingerprinting
Barzaghi ha concentrato le sue ricerche sulle immagini cliniche, mentre Cabini sulle immagini precliniche. «Uno dei settori della nostra indagine ha riguardato la tecnica della risonanza magnetica fingerprinting», ha evidenziato la ricercatrice. «Questa consente di acquisire e calcolare in modo efficiente e più veloce, rispetto ai metodi tradizionali, mappe quantitative che rappresentano le proprietà dei tessuti. A differenza delle immagini convenzionali di risonanza magnetica, queste nuove immagini offrono misurazioni quantitative e replicabili dei parametri specifici dei tessuti».
«Il vantaggio principale di questa tecnica – continua Cabini – è la riduzione dei tempi di acquisizione. Così migliora il comfort del paziente durante l’esame di risonanza magnetica. Ciò apporta vantaggi alle strutture sanitarie, sia in termini di risparmio energetico per il funzionamento delle macchine, sia per la possibilità di analizzare più pazienti».
Sviluppare metodi innovativi per velocizzare le analisi
Il Centro BioData Science è nato nel 2017. Ha subito indirizzato la sua attività di ricerca nello sviluppo di algoritmi per l’analisi automatica di immagini biomediche, sia in ambito clinico che preclinico.
«I risultati ottenuti da Barzaghi e Cabini incoraggiano l’ulteriore applicazione delle tecniche di machine learning, deep learning e modellistica matematica in ambito clinico. Offre così nuove opportunità di ricerca», ha dichiarato la responsabile scientifica Silvia Figini, direttrice del dipartimento di Scienze politiche e sociali dell’Ateneo. «Proseguiremo il lavoro che abbiamo iniziato, sviluppando metodi innovativi che consentano di velocizzare, aiutare e migliorare la valutazione delle analisi mediche».