AFFILIAZIONE
consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
AUTORE PRINCIPALE
Ing. Botrugno Chiara
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Ing. Botrugno Chiara consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Ing. Bottino Alberto università del salento, dipartimento di ingegneria dell’innovazione
Ing. Morello Rocco consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Ing. Conversano Francesco consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Dr. Pisani Paola consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Ing. Casciaro Sergio consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Ing. Bottino Alberto università del salento, dipartimento di ingegneria dell’innovazione
Ing. Morello Rocco consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Ing. Conversano Francesco consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Dr. Pisani Paola consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
Ing. Casciaro Sergio consiglio nazionale delle ricerche, istituto di fisiologia clinica (cnr-ifc)
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
La quantificazione accurata del versamento pleurico è cruciale per una gestione tempestiva ed efficace dei pazienti critici, specialmente in contesti di emergenza come pronto soccorso e unità mobili. Questo studio preliminare valuta l’impiego di un algoritmo di segmentazione basato su deep learning per l’analisi volumetrica del versamento pleurico da immagini ecografiche polmonari, acquisite sia in ambito ospedaliero che pre-ospedaliero.
Dodici pazienti con versamento pleurico sintomatico sono stati sottoposti a ecografia polmonare mediante ecografo portatile (SensUS Lung, Amolab Srl) con sonda convex da 3.5 MHz, acquisendo immagini in posizione seduta e supina.
L’algoritmo di segmentazione si basa su una ResNet modificata, addestrata su immagini ecografiche acquisite nello stesso contesto clinico e segmentate manualmente da due operatori esperti. Le segmentazioni automatiche sono state confrontate in blind con quelle manuali. Dai contorni segmentati è stato ricostruito il volume del versamento pleurico (in cm³) mediante integrazione dell’area su sequenze longitudinali e trasversali. I volumi stimati sono stati confrontati con quelli drenati tramite toracentesi, considerata gold standard. Le performance dell’algoritmo di segmentazione sono state valutate con Dice Similarity Coefficient (DSC), mentre l’attendibilità della stima del volume del versamento con Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) e coefficiente di correlazione di Pearson (r).
L’algoritmo ha mostrato buone capacità di segmentazione, con un DSC medio pari a 0.76 ± 0.05 rispetto agli operatori umani. L’analisi inter-operatore ha mostrato una concordanza simile (DSC 0.78 ± 0.04), confermando l’affidabilità del modello. Il volume stimato ha mostrato un MAE medio di 42.4 ± 19.6 cm³ e un RMSE di 45.5 cm³ rispetto al volume drenato. Il coefficiente di correlazione tra stima automatica e gold standard è risultato elevato (r = 0.84, p < 0.001). Il tempo medio di elaborazione per paziente è stato inferiore a 3 secondi. Questo studio preliminare dimostra la fattibilità e robustezza dell’utilizzo di algoritmi di deep learning per la segmentazione e quantificazione automatizzata del versamento pleurico a partire da ecografia polmonare. I risultati supportano la prosecuzione dello studio su scala più ampia, con l’obiettivo di integrare tali strumenti nella pratica clinica, migliorando la rapidità decisionale e riducendo l’invasività diagnostica.
Dodici pazienti con versamento pleurico sintomatico sono stati sottoposti a ecografia polmonare mediante ecografo portatile (SensUS Lung, Amolab Srl) con sonda convex da 3.5 MHz, acquisendo immagini in posizione seduta e supina.
L’algoritmo di segmentazione si basa su una ResNet modificata, addestrata su immagini ecografiche acquisite nello stesso contesto clinico e segmentate manualmente da due operatori esperti. Le segmentazioni automatiche sono state confrontate in blind con quelle manuali. Dai contorni segmentati è stato ricostruito il volume del versamento pleurico (in cm³) mediante integrazione dell’area su sequenze longitudinali e trasversali. I volumi stimati sono stati confrontati con quelli drenati tramite toracentesi, considerata gold standard. Le performance dell’algoritmo di segmentazione sono state valutate con Dice Similarity Coefficient (DSC), mentre l’attendibilità della stima del volume del versamento con Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) e coefficiente di correlazione di Pearson (r).
L’algoritmo ha mostrato buone capacità di segmentazione, con un DSC medio pari a 0.76 ± 0.05 rispetto agli operatori umani. L’analisi inter-operatore ha mostrato una concordanza simile (DSC 0.78 ± 0.04), confermando l’affidabilità del modello. Il volume stimato ha mostrato un MAE medio di 42.4 ± 19.6 cm³ e un RMSE di 45.5 cm³ rispetto al volume drenato. Il coefficiente di correlazione tra stima automatica e gold standard è risultato elevato (r = 0.84, p < 0.001). Il tempo medio di elaborazione per paziente è stato inferiore a 3 secondi. Questo studio preliminare dimostra la fattibilità e robustezza dell’utilizzo di algoritmi di deep learning per la segmentazione e quantificazione automatizzata del versamento pleurico a partire da ecografia polmonare. I risultati supportano la prosecuzione dello studio su scala più ampia, con l’obiettivo di integrare tali strumenti nella pratica clinica, migliorando la rapidità decisionale e riducendo l’invasività diagnostica.
