AFFILIAZIONE
irccs materno infantile “burlo garofolo”
AUTORE PRINCIPALE
Miladinovic Aleksandar
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Miladinovic Aleksandar irccs materno infantile “burlo garofolo”
Biscontin Alessandro irccs materno infantile “burlo garofolo”
Kresevic Simone università degli studi di trieste
Prof. Accardo Agostino università degli studi di trieste
Prof. Ajcevic Milos università degli studi di trieste
Biscontin Alessandro irccs materno infantile “burlo garofolo”
Kresevic Simone università degli studi di trieste
Prof. Accardo Agostino università degli studi di trieste
Prof. Ajcevic Milos università degli studi di trieste
AREA TEMATICA
Applicazioni innovative di bioingegneria: idee dalle Università
ABSTRACT
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.
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.
