{"id":6295,"date":"2022-05-31T17:25:32","date_gmt":"2022-05-31T15:25:32","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/approccio-innovativo-per-il-rilevamento-della-polmonite-da-sars-cov-2-intelligenza-artificiale-nell-ecografia-polmonare\/"},"modified":"2022-05-31T17:25:32","modified_gmt":"2022-05-31T15:25:32","slug":"approccio-innovativo-per-il-rilevamento-della-polmonite-da-sars-cov-2-intelligenza-artificiale-nell-ecografia-polmonare","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/approccio-innovativo-per-il-rilevamento-della-polmonite-da-sars-cov-2-intelligenza-artificiale-nell-ecografia-polmonare\/","title":{"rendered":"APPROCCIO INNOVATIVO PER IL RILEVAMENTO DELLA POLMONITE DA SARS-COV-2: INTELLIGENZA ARTIFICIALE NELL\u2019 ECOGRAFIA POLMONARE"},"content":{"rendered":"
\n
\n

\"\"\"\" <\/p>\n

AFFILIAZIONE<\/span>
\n<\/strong>uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia<\/p>\n

AUTORE PRINCIPALE<\/span>
\n<\/strong> Ragazzo Veronica<\/p>\n

\nVALUTA IL CHALLENGE<\/span><\/strong>
Vota<\/nobr><\/td>
<\/div><\/td><\/tr><\/table><\/p>\n<\/div>\n
\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong>
\n La Salvia Marco<\/strong> – dip. ingegneria industriale e dell\u2019informazione, universit\u00e0 di pavia, pavia, pavia<\/i>
Torti Emanuele<\/strong> – dip. ingegneria industriale e dell\u2019informazione, universit\u00e0 di pavia, pavia, pavia<\/i>
Perlini Stefano<\/strong> – uoc medicina urgenza, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia<\/i>
Roccasalva Marco<\/strong> – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia<\/i>
Ragazzo Veronica<\/strong> – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia<\/i>
Silveri Giulia<\/strong> – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia<\/i>
Lago Paolo<\/strong> – uoc ingegneria clinica, fondazione i.r.c.c.s. policlinico san matteo, pavia, pavia<\/i>
Leporati Francesco<\/strong> – dip. ingegneria industriale e dell\u2019informazione, universit\u00e0 di pavia, pavia, pavia<\/i> <\/p>\n

AREA TEMATICA<\/span>
\n<\/strong>Applicazioni innovative di bioingegneria<\/p>\n

ABSTRACT<\/span>
\n<\/strong>L\u2019attivit\u00e0 clinica durante la pandemia ha permesso di affermare che sia la tomografia computerizzata (TC) che l\u2019ecografia polmonare sono strumenti diagnostici promettenti in grado di rilevare precocemente la polmonite da SARS-CoV-2. Tuttavia i vantaggi dell\u2019ecografia polmonare rispetto alla TC sono: costo ridotto, assenza di radiazioni, facile disinfezione e possibile reiterazione frequente.
\nL\u2019affidabilit\u00e0 diagnostica dell\u2019ecografia polmonare dipende dall\u2019esperienza dell\u2019operatore e questo limite ha generato un sottoutilizzo della tecnica.
\nIn questo studio, un innovativo sistema di intelligenza artificiale (AI), basato su convolution neural networks (CNN) pre-addestrate, \u00e8 stato proposto per rilevare precocemente la polmonite da SARS-CoV-2 nelle immagini ecografiche.<\/p>\n

Da marzo 2020 sono stati arruolati presso il Pronto Soccorso della Fondazione IRCCS Policlinico San Matteo 450 pazienti che hanno contratto il Covid-19. I soggetti (et\u00e0 mediana 60 anni, 47.0-73.0 25 \u2013 50 P) sono costituiti da 172 pazienti non affetti e 278 affetti da polmonite da SARS-CoV-2. \u00c8 stato utilizzato l’ecografo Aloka Arietta V70 (Hitachi Medical Systems), dotato di sonde sia convesse che lineari, rispettivamente a 5 MHz e 12 MHz. In totale sono state acquisite 2908 frames ed \u00e8 stata applicata la convolution neural networks con 18 e 50 livelli (ResNet18 e ResNet50). Per ridurre il bias nei risultati finali l\u2019algoritmo \u00e8 stato reiterato 7 volte. Infine per testare il modello i frames sono stati divisi in training (75%), in validazione (15%) e in test (10%). <\/p>\n

Sono state valutate le prestazioni di classificazione dell\u2019algoritmo in particolare: l’accuratezza, la precisione, F1-score e ROC-curve. Per il ResNet 18 sono stati ottenuti i seguenti valori di accuratezza del training pari a 96.70% e del test 97.64%, applicando il ResNet 50 i valori sono rispettivamente 98.32% e 98.43%. Il valore della ROC-curve del test risulta essere 97.72% nel ResNet18 e 99.91% nel ResNet 50.<\/p>\n

Questi risultati evidenziano che l\u2019applicazione di intelligenza artificiale all\u2019immagini ecografiche pu\u00f2 aumentare l’affidabilit\u00e0 diagnostica e quindi favorire un maggior utilizzo nella pratica clinica.<\/p>\n

 <\/p>\n