{"id":12027,"date":"2024-04-24T17:12:32","date_gmt":"2024-04-24T15:12:32","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/facial-idscore-modelli-di-intelligenza-artificiale-per-il-supporto-alla-diagnosi-e-al-management-delle-lesioni-pigmentate-del-volto\/"},"modified":"2024-04-24T17:12:32","modified_gmt":"2024-04-24T15:12:32","slug":"facial-idscore-modelli-di-intelligenza-artificiale-per-il-supporto-alla-diagnosi-e-al-management-delle-lesioni-pigmentate-del-volto","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/facial-idscore-modelli-di-intelligenza-artificiale-per-il-supporto-alla-diagnosi-e-al-management-delle-lesioni-pigmentate-del-volto\/","title":{"rendered":"FACIAL IDSCORE: MODELLI DI INTELLIGENZA ARTIFICIALE PER IL SUPPORTO ALLA DIAGNOSI E AL MANAGEMENT DELLE LESIONI PIGMENTATE DEL VOLTO"},"content":{"rendered":"
\n
\n

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

AFFILIAZIONE<\/span><\/strong><\/p>\n

universit\u00e0 di siena, dipartimento di scienze mediche, chirurgiche e neuroscienze<\/p>\n


\nAUTORE PRINCIPALE<\/span><\/strong><\/p>\n

PhD Cartocci Alessandra<\/p>\n

VALUTA IL CHALLENGE
\n<\/span><\/strong><\/p>\n

Registrazione obbligatoria. Una valutazione consentita<\/em><\/div>\n
[ratingwidget]<\/div>\n<\/div>\n
\n

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

GRUPPO DI LAVORO<\/span><\/strong><\/p>\n

MD, PhD Tognetti Linda<\/strong> universit\u00e0 di siena, dipartimento di scienze mediche, chirurgiche e neuroscienze
\nPhd Iadanza Ernesto<\/strong> universit\u00e0 di siena, dipartimento di biotecnologie mediche
\nProfessore Rubegni Pietro<\/strong> universit\u00e0 di siena, dipartimento di scienze mediche, chirurgiche e neuroscienze
\nProfessore Cevenini Gabriele<\/strong> universit\u00e0 di siena, dipartimento di biotecnologie mediche
\n <\/strong>
\n <\/strong>
\n <\/strong>
\n <\/strong>
\n <\/strong>
\n <\/strong> <\/div>\n

AREA TEMATICA<\/span><\/strong><\/p>\n

Applicazioni innovative di bioingegneria (premio miglior tesi dottorato)<\/div>\n

ABSTRACT<\/span><\/strong><\/p>\n

Introduzione: La diagnosi delle lesioni pigmentate del volto risulta essere ancora molto difficile per i dermatologi. Una diagnosi accurata di queste lesioni \u00e8 cruciale in quanto eviterebbe escissioni e trattamenti invasivi non necessari. Le lesioni benigne del volto sono molto simili a quelle maligne e tutte presentano un’alta eterogeneit\u00e0 di forme, colori e strutture. L\u2019intelligenza artificiale (IA) potrebbe supportare i dermatologi nella pratica clinica. Ci sono gi\u00e0 esempi di modelli di IA, soprattutto di deep learning (DL), in dermatologia. Le lesioni del volto costituiscono un sottogruppo particolare che spesso viene escluso dai database. Questo studio mira a valutare la performance di un modello di Convolutional Neural Network (CNN) nella diagnosi delle lesioni pigmentate del volto e a confrontarne i risultati con la diagnosi diretta dei clinici
\nMetodi: Studio multicentrico europeo. Sono state raccolte immagini dermoscopiche di lesioni cutanee del volto confermate istologicamente. Sono state incluse due diagnosi maligne, lentigo maligna e lentigo maligna melanoma, che sono state accorpate per sviluppare il modello, e cinque diagnosi benigne: nevi , cheratosi attiniche, lentigo solare, cheratosi seborroica e cheratosi lichenoidi seborroica. Queste immagini sono state fornite da dodici centri europei. Il modello CNN \u00e8 una Resnet34 ed \u00e8 stato effettuato una 5-fold cross validation
\nRisultati: Sono state raccolte e analizzate 1197 immagini. L’et\u00e0 media dei pazienti era di 65,45 \u00b1 14,2 anni, e il genere era equamente distribuito. Circa il 40% del database era costituito da casi maligni. Ll modello CNN ha mostrato una sensibilit\u00e0 elevata per la diagnosi di melanoma, con una performance consistente tra training, validation e testing. Nel confronto tra la risposta del modello e la risposta dei partecipanti, si osserva una maggiore sensibilit\u00e0, di circa il 23%, del modello. Le lesioni SLK sono quasi interamente riconosciute, ma sono poche rispetto alle altre categorie. Al contrario, le sensibilit\u00e0 per PAK, SK e SL sono comparabili tra CNN e le sensibilit\u00e0 dei dermatologi.
\nConclusioni: I modelli di IA sono ottimi strumenti di supporto alle decisioni, nonostante si debba ancora affrontare sfide per l\u2019integrazione nella pratica clinica. Specialmente i modelli di deep learning basati sulle immagini hanno e avranno sempre di pi\u00f9 un ampio utilizzo in campo dermatologico in quanto la diagnosi si basa sull\u2019osservazione di immagini provenienti da tecniche non invasive.<\/div>\n

 <\/p>\n