Con l’intelligenza artificiale lettura risonanza magnetica in 10 secondi. Progetto pilota al Mondino di Pavia

Grazie a due borse di studio finanziate dal centro neurologico pavese di eccellenza, due ricercatori hanno studiato lo sviluppo degli algoritmi di machine learning e deep learning per la previsione di biomarcatori quantitativi delle malattie dell’apparato muscolo-scheletrico. “In pochi secondi, fino a un massimo di dieci, è possibile ottenere informazioni accurate sulle proprietà dei tessuti patologici”.

22 MAG - È dall’utilizzo dell’intelligenza artificiale che arriva in Italia l’innovazione nella tecnica diagnostica della risonanza magnetica per la diagnosi e il monitoraggio delle malattie rare neuromuscolari: in pochi secondi, fino a un massimo di dieci, è possibile ottenere informazioni accurate sulle proprietà dei tessuti patologici. L’impiego sperimentale delle reti neurali per l’acquisizione delle immagini di risonanza magnetica è l’oggetto del progetto di ricerca sviluppato alla Fondazione IRCSS Mondino da due giovani ricercatori: Leonardo Barzaghi e Raffaella Fiamma Cabini, dottorandi del Centro “BioData Science” della Fondazione Mondino, coordinato dalla professoressa Silvia Figini. Sono stati loro, già laureati in fisica a Pavia e Milano, a presentarlo in anteprima mondiale al CompMat Spring Workshop”, l’evento dedicato alle nuove frontiere del machine learning e della matematica computazionale, organizzato nella giornata di lunedì 22 maggio dall’Università di Pavia e svoltosi nell’aula Foscolo.

Grazie a due borse di studio finanziate dal centro neurologico pavese, i due ricercatori hanno studiato lo sviluppo degli algoritmi di machine learning e deep learning per la previsione di biomarcatori quantitativi delle malattie dell’apparato muscolo-scheletrico. “Per supportare la diagnosi e aumentare la qualità delle immagini anatomiche ad alta risoluzione ottenute tramite la risonanza magnetica, negli ultimi anni sono state sviluppate tecniche che permettono di quantificare le proprietà fisiche dei tessuti patologici – spiega Leonardo Barzaghi, attivo nell’Advanced Imaging and Artificial Intelligence Center dell’IRCCS Mondino, guidato dalla professoressa Anna Pichiecchio –. L’uso dei modelli più evoluti di intelligenza artificiale consente oggi di accelerare i tempi di acquisizione delle informazioni quantitative della patologia come, ad esempio, quelle realtive alla quantità dell’infiammazione, dell’atrofia e la percentuale di grasso. Grazie alle reti neurali si possono ottenere immagini in pochi secondi, abbattendo i tempi necessari con i metodi standard, quantificabili in ore”.
La ricerca di Barzaghi si è concentrata sulle immagini cliniche, mentre quella di Cabini su quelle precliniche. “Uno dei settori della nostra indagine ha riguardato la tecnica della “risonanza magnetica fingerprinting”, che consente di acquisire e calcolare in modo efficiente e più veloce, rispetto ai metodi tradizionali, mappe quantitative che rappresentano le proprietà dei tessuti. A differenza delle immagini convenzionali di risonanza magnetica, che forniscono informazioni principalmente sulla morfologia e sull’anatomia, queste nuove immagini offrono misurazioni quantitative e replicabili dei parametri specifici dei tessuti”. Il vantaggio principale di questa tecnica – sottolinea Raffaella Fiamma Cabini, attiva nell’International Center for Advanced Computing in Medicine dell’Università di Pavia, guidato dal professor Alessandro Lascialfari, “è la riduzione dei tempi di acquisizione, così da migliorare il comfort del paziente durante l’esame di risonanza magnetica e apportare vantaggi economici alle strutture sanitarie, sia in termini di risparmio energetico per il funzionamento delle macchine sia per la possibilità di analizzare più pazienti”.

“Fin dalla sua nascita avvenuta nel 2017, il Centro “BioData Science” – commenta la responsabile scientifica, Silvia Figini, direttrice del dipartimento di Scienze politiche e sociali dell’ateneo – ha indirizzato la sua attività di ricerca nello sviluppo di algoritmi per l’analisi automatica di immagini biomediche sia in ambito clinico che preclinico. I risultati ottenuti da Barzaghi e Cabini incoraggiano l’ulteriore applicazione delle tecniche di machine learning, deep learning e modellistica matematica in ambito clinico, offrendo nuove opportunità di ricerca. Proseguiremo il lavoro che abbiamo iniziato, sviluppando metodi innovativi che consentano di velocizzare, aiutare e migliorare la valutazione delle analisi mediche”.

22 maggio 2023
© Riproduzione riservata