Background: La radioterapia richiede un’elevata precisione. Per garantire l’immobilità del paziente, si utilizzano maschere termoplastiche tradizionali che presentano diverse criticità: adattamento limitato all’anatomia individuale, scarsa standardizzazione del processo di modellazione e discomfort per il paziente. Queste limitazioni evidenziano la necessità di soluzioni più personalizzate e tecnologicamente avanzate.

Obiettivo: Questo lavoro di ricerca si concentra sull’applicazione della stampa 3D nella realizzazione di dispositivi di immobilizzazione paziente-specifici per la radioterapia oncologica, con particolare riferimento alla regione testa-collo.

Metodi: A seguito dell’acquisizione e della segmentazione delle immagini paziente, sono stati progettati dispositivi di immobilizzazione personalizzati attraverso cinque differenti software CAD: Meshmixer, MeshLab, Blender, Rhinoceros e nTopology. La fase progettuale ha previsto la creazione di maschere reticolari, ottimizzate per l’adattamento anatomico e la successiva stampa 3D, considerando criteri di leggerezza, stabilità e traspirabilità. È stata condotta un’analisi comparativa dei software selezionati sulla base di specifici criteri progettuali: facilità d’uso, livello di automazione, qualità della gestione delle mesh e idoneità alla modellazione parametrica e generativa. Per supportare la valutazione è stato applicato il metodo AHP (Analytic Hierarchy Process), integrato con logica fuzzy per tener conto dell’incertezza nei giudizi. I dati raccolti hanno coinvolto professionisti del settore, tra cui ingegneri biomedici e progettisti.

Risultati: Dall’analisi è emerso che nTopology rappresenta la soluzione più performante, grazie alla sua capacità di gestire workflow complessi in maniera automatizzata, alla modellazione avanzata di strutture reticolari e alla possibilità di adattare in modo dinamico le geometrie ai modelli anatomici.

Conclusioni e sviluppi futuri: In conclusione, il lavoro ha definito un workflow completo, dall’elaborazione delle immagini medicali alla generazione del modello stampabile, offrendo un contributo significativo allo sviluppo di soluzioni più personalizzate e tecnologicamente avanzate per il posizionamento in radioterapia, la cui applicazione sarà prevista in via sperimentale su pazienti selezionati.

Il tumore al seno è uno dei tumori più diffusi tra le donne (pari a circa il 30% di tutti i tumori che affliggono il genere femminile). La diagnosi precoce è essenziale per aumentare le probabilità di prognosi favorevole e ridurre l’invasività dei trattamenti. In questo contesto, le microcalcificazioni mammarie rappresentano uno dei primi segni di possibile neoplasia, individuabile tramite mammografia digitale. Tuttavia, non tutte sono indicative di malignità, e la loro corretta interpretazione richiede competenze specialistiche e strumenti avanzati.
Questa tesi propone una pipeline innovativa per l’analisi automatica delle mammografie, finalizzata alla segmentazione e classificazione delle microcalcificazioni mediante tecniche di Deep Learning (DL) e Machine Learning (ML). L’obiettivo è migliorare l’accuratezza diagnostica e ridurre il ricorso a biopsie inutili, con benefici per pazienti e sistema sanitario.
La pipeline comprende: preprocessing delle immagini, segmentazione con rete UNet (DeepMiCa), estrazione delle ROI (Region of Interest), calcolo delle feature radiomiche (attraverso PyRadiomics), classificazione con modelli ML e DL, e combinazione delle predizioni tramite un modello ensemble basato su Ridge Regression. Il dataset utilizzato proviene dall’Istituto Clinico Scientifico IRCCS Maugeri (1722 ROI da 314 pazienti, 89% benigne e 11% maligne).
La segmentazione con DeepMiCa, pre-addestrato sul dataset INbreast, ha ottenuto ottime metriche (IOU: 74%, AUROC: 95%). Per la classificazione ML sono stati testati diversi algoritmi (Random Forest, SVM, Lasso, ecc.) con validazione K-Fold e tecniche di oversampling; il miglior risultato è stato AUPRC del 60% con Random Forest. Per il DL, sono stati valutati modelli CNN e ViT: il migliore è stato Vgg16 (AUPRC 46%). La combinazione ML+DL ha migliorato ulteriormente le prestazioni, con un AUPRC del 66% (Vgg16 + Random Forest).
In conclusione, l’approccio integrato ML/DL ha dimostrato potenziale nella diagnosi automatizzata delle microcalcificazioni. Per il futuro si propone: miglioramento del dataset, integrazione di dati clinici, sviluppo di modelli multimodali e validazione clinica. Questi strumenti non mirano a sostituire il parere medico e professionale, ma a supportarlo con maggiore precisione e affidabilità.

Le procedure di stimolazione ovarica per la Fecondazione In Vitro (FIV) mirano alla produzione di un numero elevato di ovociti. Tuttavia, per limitare il rischio di gravidanze multiple, solo un numero ristretto di embrioni viene impiantato, mentre i rimanenti, secondo quanto previsto dalla normativa vigente, vengono crioconservati. In questo contesto, la selezione degli ovociti di migliore qualità rappresenta una fase cruciale, attualmente basata prevalentemente su valutazioni morfologiche condotte dall’embriologo. Identificare caratteristiche morfologiche associate a un esito favorevole della FIV risulta pertanto di fondamentale importanza, anche in virtù del fatto che tali analisi sono rapide, non invasive e non distruttive. Quindi, l’elaborazione automatica delle immagini – anche con il supporto del Machine Learning – rappresenta uno strumento promettente per la definizione e quantificazione oggettiva delle caratteristiche morfologiche.
Nel presente studio abbiamo sviluppato un metodo automatico per l’estrazione della granulosità del citoplasma ovocitario e ne abbiamo analizzato l’associazione con l’esito della fertilizzazione. A partire dalle immagini di microscopia degli ovociti, abbiamo addestrato DeepLabV3+, un’architettura di Deep Learning, per eseguire la segmentazione semantica delle strutture cellulari. Abbiamo utilizzato un dataset composto da 1133 immagini. L’etichettatura del dataset si è basata su una tecnica di Local Binary Pattern (LBP) e su una validazione con esperti. Per segmentare automaticamente le aree granulari, abbiamo sviluppato un modello DeepLabV3+ con encoder ResNet50, addestrato con una funzione di perdita combinata (Dice e Focal Loss) per affrontare lo sbilanciamento delle classi. Le regioni granulari sono state classificate in cinque livelli.
Il modello ha ottenuto ottimi risultati sul test set: media Dice Similarity Score (DSS) di 0.89, Intersection over Union (IoU) media di 0.81. In particolare, la classe “granularità” ha mostrato un IoU di 0.86 e un DSS di 0.92. Infine, abbiamo osservato una correlazione significativa tra alti livelli di granularità e successo nella fertilizzazione (p=0.019), suggerendo che il metodo proposto può supportare in modo oggettivo e riproducibile la selezione ovocitaria.
Questo approccio pone le basi per lo sviluppo di uno strumento di valutazione automatica in grado di supportare il workflow clinico nella procedura di selezione degli ovociti, contribuendo a rendere la FIV più efficiente.

Il processo decisionale clinico si basa sulla Medicina Basata sulle Evidenze (EBM) e lo strumento cardine per una corretta aderenza all’EBM sono le linee guida, elaborate dai massimi esperti, per garantire standard elevati di cura. Tuttavia, l’adozione pratica dell’EBM è spesso incoerente, poiché integrare raccomandazioni complesse e in continua evoluzione nei flussi clinici risulta difficile; infatti, ogni raccomandazione viene aggiornata, in media, ogni due anni.
Il presente studio propone un framework innovativo che unisce le potenzialità dei modelli linguistici di grandi dimensioni (LLM) alla tecnica di Retrieval-Augmented Generation (RAG) per migliorare l’aderenza alle raccomandazioni cliniche. Sono state utilizzate 33 linee guida inerenti alle patologie del fegato, formattate in blocchi semantici ed è stato implementato un sistema di recupero automatico in tempo reale che estrae le informazioni più rilevanti da uno spazio di rappresentazione astratto per domanda, alimentando le capacità generative del LLM ed evitando “allucinazioni”.
Un aspetto cruciale del framework è l’adozione di modelli LLM open source, che consentono di eseguire l’intero processo in ambiente locale, eliminando la dipendenza da servizi esterni (ad es. OpenAI). Ciò permette di gestire e processare dati sensibili esclusivamente all’interno dell’intranet ospedaliera, garantendo il pieno controllo, la conformità alle normative in materia di sicurezza e privacy (GDPR, HIPAA) e la mitigazione dei rischi di data breach e accessi non autorizzati. La piattaforma risultante è dunque sicura e idonea ad ambienti regolati, requisito fondamentale per l’adozione di tecnologie avanzate in ambito sanitario.
Utilizzando un dataset di 4202 Q&A, il framework ha dimostrato una notevole riduzione degli errori, con un incremento dell’accuratezza dal 60–65% nella configurazione base a oltre il 90% grazie al RAG, abbattendo le “allucinazioni” dal 40% a meno del 10%, senza differenze significative tra LLM open source e proprietari.
Questo studio evidenzia come la combinazione di LLM e RAG possa costituire un valido supporto per l’interpretazione delle linee guida cliniche, facilitando l’adozione dell’EBM e contribuendo a decisioni terapeutiche più sicure e informate. L’approccio proposto, con la sua architettura locale e focalizzata sulla sicurezza, offre una soluzione che apre la strada a sistema sanitario più integrato, efficiente, protetto e sempre più orientato alla medicina di precisione.

Le patologie orali colpiscono circa metà della popolazione mondiale e rappresentano una sfida sanitaria globale. Con un impatto economico stimato in 544,41 miliardi di dollari nel 2015, le malattie dentali si classificano tra le condizioni sanitarie più costose al mondo. Attualmente, la diagnosi si basa prevalentemente su tecniche radiologiche, con circa 18 milioni di radiografie dentali eseguite ogni anno solo in Italia, per una spesa complessiva di circa 1,8 miliardi di euro. Pertanto, l’esposizione ripetuta a radiazioni ionizzanti solleva importanti interrogativi in termini di sicurezza e costi. Nasce quindi l’esigenza di sviluppare strumenti diagnostici alternativi, che siano al tempo stesso efficaci, economici e privi di radiazioni X.
Negli ultimi anni, l’imaging ottico ha trovato applicazione in vari ambiti clinici — dalla dermatologia all’oftalmologia — grazie alla sua capacità di fornire immagini dettagliate in totale assenza di radiazioni. In ambito odontoiatrico, l’utilizzo crescente di scanner intraorali ha favorito la digitalizzazione degli studi dentistici, ma il loro potenziale diagnostico è ancora poco esplorato. L’intelligenza artificiale (IA) rappresenta un’opportunità in questo senso: è in grado di estrarre pattern diagnostici non visibili a occhio nudo anche da immagini ottiche, aprendo nuove prospettive per la diagnosi avanzata non invasiva.
La soluzione proposta consiste nello sviluppo di un prototipo di scanner intraorale ottico, capace non solo di acquisire la morfologia dentale, ma anche di fornire informazioni sullo stato di salute orale, riducendo o eliminando la necessità di esami radiologici. I risultati ottenuti dimostrano la capacità del dispositivo di rilevare informazioni morfologiche e diagnostiche in un unico flusso di lavoro, grazie a tecnologie di ricostruzione 3D basate su fotogrammetria e analisi optoelettroniche avanzate. Su un modello in gesso, il sistema ha mostrato una qualità comparabile ai principali prodotti commerciali, pur restando compatto ed economico. Inoltre, ha raggiunto un’accuratezza prossima al 94% nella classificazione della profondità della carie, un parametro tradizionalmente valutato solo con radiografie.
Questa tecnologia rappresenta un passo concreto verso una diagnosi orale efficace, accessibile e completamente priva di radiazioni ionizzanti. Saranno tuttavia necessarie ulteriori validazioni cliniche su larga scala per confermarne l’affidabilità.

Le recenti innovazioni tecnologiche, in particolare quelle legate all’Intelligenza Artificiale, hanno impresso un’ulteriore accelerazione ai processi di trasformazione nel settore sanitario.
La vera sfida per le organizzazioni sanitarie consiste oggi nel saper cogliere in sicurezza tali opportunità, il che impone un massivo aggiornamento professionale. Già prima della diffusione su larga scala di questi strumenti, i metodi formativi tradizionali si erano dimostrati inadeguati ad accompagnare efficacemente il cambiamento in atto.
La formazione blended, l’utilizzo di tecnologie di simulazione e l’introduzione di strumenti come i Virtual Agent – capaci di coniugare i vantaggi dell’apprendimento asincrono con nuove forme di interazione ed esperienza pratica – rappresentano oggi una risposta concreta alle esigenze di formazione continua.
Presso il gruppo di Ingegneria Biomedica del DIETI sono stati sviluppati diversi strumenti educativi innovativi, già utilizzati con successo a supporto dei percorsi di apprendimento degli studenti del corso di laurea in Ingegneria Biomedica. Da oltre dieci anni, il corso impiega simulatori ad eventi discreti che consentono agli studenti di riprodurre dinamiche organizzative in modo interattivo. Tali strumenti sono stati impiegati con successo anche in collaborazione con aziende ospedaliere (AO Monaldi, AO Cardarelli) nell’ambito di progetti di tesi di laurea e ricerche finalizzate all’analisi preliminare dell’impatto organizzativo dell’introduzione di nuove tecnologie.
Più recentemente, sono stati sviluppati agenti virtuali con il ruolo di Pedagogical Agent (PA) che consentono agli studenti di analizzare il sistema sanitario in modo interattivo, favorendo lo sviluppo di competenze professionali.
Da diversi anni, il gruppo di Ingegneria Biomedica – nella persona dell’autore – fornisce supporto strategico a grandi amministrazioni regionali, tra cui la Regione Campania e l’ASL Napoli 1 Centro, nell’adozione di piattaforme per la formazione blended. Queste piattaforme rappresentano l’ambiente ideale per integrare e valorizzare gli strumenti innovativi sopra descritti, ma soprattutto per effettuare un efficace e sostenibile accertamento delle competenze come esplicitamente richiesto dalla recente direttiva Zangrillo del 14/01/2025
Piattaforma ASL Napoli 1 Centro (https://moodle.aslnapoli1centro.it/moodle/)

L’AI in sanità non è più solo uno strumento per l’analisi dei dati: sta assumendo sempre più il ruolo di alleato nel ragionamento clinico, grazie alla sinergia tra percezione automatica e conoscenza medica, avvicinandosi al processo decisionale del medico. In questo scenario, l’approccio innovaivo neurosimbolico potrebbe rappresentare una direzione promettente per sviluppare sistemi più comprensibili, affidabili e vicini al linguaggio della pratica clinica.
Nel nostro progetto, abbiamo applicato questa metodologia alla classificazione della degenerazione maculare legata all’età (AMD), distinguendo tra le retine sane e le forme secce e umide, utilizzando immagini di tomografia a coerenza ottica (OCT). Nel metodo proposto, la componente neurale convoluzionale (CNN) ha il compito di “vedere” e identificare strutture patologiche, mentre la componente simbolica, basata su regole derivate dalla conoscenza oftalmologica, contribuisce al “ragionamento”, permettendo un processo diagnostico trasparente e tracciabile.
Il nostro sistema è stato addestrato e validato su un dataset bilanciato di 1407 immagini. Il modello di supporto diagnostico sviluppato, applicato su una nova immagine OCT, non si limita a fornire una classificazione della patologia, ma è in grado di identificare i segni di alterazione retinica presenti nell’immagine, associando a ciascuno una probabilità. Sulla base dei segni rilevati, queste informazioni vengono trasmesse a un motore di inferenza, che utilizza regole basate sulla conoscenza clinica pregressa. Il sistema fornisce così un output strutturato e interpretabile, utile a supportare in modo trasparente il processo diagnostico. Il modello sviluppato ha raggiunto un’accuratezza complessiva del 93%. Inoltre, nessuna retina patologica è stata erroneamente classificata come sana, e questo rapresenta un risultato di particolare rilevanza clinica, in quanto riduce il rischio di falsi negativi diagnostici, aspetto critico nell’adozione di sistemi di AI in ambito sanitario.
Pur trattandosi di una tecnologia in fase di sviluppo, il metodo neurosimbolico potrebbe offrire una risposta concreta ad alcune delle sfide più sentite nell’ambito dell’AI in sanità: la spiegabilità, la gestione dell’incertezza e il coinvolgimento della conosenza pregressa clinica. Invece di sostituire il medico, questo approccio mira ad amplificare il suo giudizio, offrendo uno strumento che non solo apprende dai dati, ma che comprende e giustifica le sue conclusioni.

In radiotherapy, customized immobilization devices are essential to ensure accurate patient positioning during treatment. However, traditional design methods are often time-consuming, inflexible, and rarely tailored to individual anatomical needs—especially for arms and legs, where no personalized solutions are currently available. This forces clinicians to rely on standardized systems that do not provide optimal stabilization.
This thesis presents an *automated workflow using nTopology software* to model *custom-made immobilizers*, offering a faster and more adaptable alternative to conventional approaches. Three types of immobilizers were developed: head-neck, arm, and leg. All feature *lightweight and durable structures*, using *Voronoi patterns* for material efficiency and comfort.
The *parametric workflow* allows easy model adjustments based on clinical needs, overcoming the limitations of traditional CAD tools. The results confirm that automated design can significantly reduce development time and improve device personalization.

La deambulazione rappresenta un biomarcatore fondamentale in ambito medico per la previsione e il monitoraggio dei disturbi neurodegenerativi e motori, come i parkinsonismi. Queste condizioni si caratterizzano per anomalie del cammino, rigidità muscolare e instabilità posturale, frequentemente accompagnate da sintomi non motori, tra cui depressione e declino cognitivo. L’analisi della deambulazione, integrata con la valutazione del controllo posturale, offre una visione quantitativa della funzionalità motoria, contribuendo in modo significativo alla comprensione del quadro clinico. Individuare cambiamenti motori, spesso non rilevabili attraverso la sola osservazione clinica, è essenziale per una diagnosi precoce e per una gestione più efficace dei pazienti affetti da parkinsonismo. In questo contesto, l’uso di tecnologie indossabili e non, sia in ambienti controllati che nel domicilio del paziente, consente il rilevamento anche delle variazioni più minime nei parametri del movimento. Tali strumenti forniscono dati oggettivi che arricchiscono le valutazioni tradizionalmente qualitative, migliorando la capacità del clinico di cogliere l’evoluzione della malattia.
L’intelligenza artificiale (IA) sta giocando un ruolo sempre più centrale nell’analisi del cammino in ambito neurologico. Le tecniche di apprendimento supervisionato, che si basano su dati etichettati, permettono una classificazione più accurata dei pattern motori, mentre gli approcci non supervisionati facilitano l’individuazione di nuove caratteristiche utili per la fenotipizzazione delle varianti di parkinsonismo.
L’obiettivo principale di questo lavoro è stato quello di esplorare il contributo dell’analisi del movimento nella fornitura di parametri quantitativi a supporto delle valutazioni cliniche, mettendo in luce il potenziale di queste informazioni nell’orientare le decisioni mediche e nel migliorare la gestione dei pazienti parkinsoniani.
Un ulteriore obiettivo ha riguardato l’integrazione dell’IA nell’analisi del movimento, ponendo l’attenzione su come queste tecnologie possano aumentare la precisione e il valore predittivo delle valutazioni nei disturbi neurodegenerativi.
La ricerca è stata condotta in stretta collaborazione con il personale clinico l’UOC di Neurologia dell’Azienda Ospedaliera Universitaria “San Giovanni di Dio e Ruggi d’Aragona”, Salerno, garantendo così la rilevanza e l’applicabilità dei metodi e delle tecnologie adottate nel contesto sanitario reale.

La radiomica è un campo emergente e promettente che mira a quantificare le informazioni contenute nelle immagini mediche attraverso l’estrazione e l’analisi di caratteristiche radiomiche. Questo approccio quantitativo ha mostrato un potenziale significativo per applicazioni predittive e prognostiche soprattutto nelle malattie neurodegenerative, dove una delle principali sfide è l’identificazione di biomarcatori in vivo. Queste patologie presentano spesso caratteristiche cliniche sovrapposte, rendendo complessa la diagnosi, ed è qui che la radiomica può giocare un ruolo cruciale. Tuttavia, la radiomica deve affrontare alcune sfide, in particolare legate alla riproducibilità e alla robustezza delle caratteristiche estratte, aspetti fondamentali per garantirne l’applicabilità clinica. Questa tesi esplora l’efficacia della radiomica nella distinzione tra diverse forme di parkinsonismi atipici e le loro varianti fenotipiche. Combinando analisi radiomica con algoritmi di apprendimento automatico supervisionato e non supervisionato, lo studio valuta l’efficacia di questi approcci nel differenziare il morbo di Parkinson dall’atrofia multisistemica, così come nel distinguere i fenotipi della paralisi sopranucleare progressiva. I risultati indicano che la radiomica, affiancata all’apprendimento automatico, può fornire un valido supporto alla classificazione, mostrando come le caratteristiche basate sulla texture siano più efficaci rispetto a quelle statistiche di primo ordine per ottenere una differenziazione accurata. Inoltre, viene esaminata l’ipotesi che la scelta del metodo di normalizzazione delle intensità nelle immagini di risonanza magnetica possa influenzare la ripetibilità delle caratteristiche radiomiche. Lo studio confronta tre tecniche di normalizzazione applicate a risonanze acquisite con lo stesso scanner e protocollo, osservando una variazione nella ripetibilità delle feature. Questa osservazione sottolinea l’importanza di una standardizzazione metodologica nella pre-elaborazione delle immagini, fondamentale per la validità degli studi radiomici. In definitiva, questa ricerca evidenzia il potenziale della radiomica come strumento a supporto della diagnosi delle malattie neurodegenerative. Sebbene la risonanza magnetica convenzionale non sempre rilevi anomalie specifiche, e altre tecniche avanzate non siano sempre disponibili, l’analisi radiomica offre un insieme di informazioni quantitative in grado di integrare le valutazioni cliniche qualitative.