Diagnosi delle anomalie del ginocchio, messa a punto tecnica di deep learning

La risonanza magnetica del ginocchio (MRI) multisequenza è un metodo diagnostico avanzato non invasivo per la patologia del ginocchio. Tuttavia, l'interpretazione della risonanza magnetica richiede molto tempo e dipende fortemente dall'esperienza dell’operatore. Un team di ricerca ha messo a punto un nuovo modello di deep learning che può aiutare a classificare 12 tipi comuni di anomalie del ginocchio, migliorando sia l'efficienza che l'accuratezza.

19 NOV - Un team dell’Hong Kong University of Science and Technology (HKUST), guidato da Chen Hao, ha messo a punto un modello di apprendimento profondo (deep learning) che può aiutare a classificare 12 tipi comuni di anomalie del ginocchio, migliorando sia l’efficienza, sia l’accuratezza della diagnosi. I risultati dello studio sono stati pubblicati da Nature Communications.

L’interpretazione delle immagini di risonanza magnetica multisequenza (MRI) porta via molto tempo ed è fortemente operatore-dipendente. A causa della complessa struttura anatomica dell’articolazione del ginocchio, inoltre, i numerosi parametri da valutare spesso portano a risultati differenti. Infine, alcune lesioni lievi dell’articolazione rischiano di essere trascurate dai radiologi con poca esperienza.

Lo studio
Per superare questi ostacoli, il team ha raccolto dati da risonanze magnetiche eseguite su 1.748 pazienti. Combinando i dati dell’artroscopia, considerata il gold standard per la diagnosi delle anomalie del ginocchio, i ricercatori hanno identificato 12 tipi comuni di anomalie del ginocchio,

Per classificare queste anomalie, il team ha sviluppato un modello di deep learning in grado di evidenziare in modo efficace le variazioni di intensità alla risonanza magnetica, identificando correlazioni complesse con i tipi di anomalie, con un’elevata accuratezza della classificazione.I ricercatori hanno condotto, quindi, test clinici simulati in cui ai radiologi è stato chiesto di fornire diagnosi autonome basate su scansioni di risonanza magnetica.

Dopo un periodo di washout, è stato chiesto ai radiologi di effettuare nuovamente le diagnosi, questa volta utilizzando l’output del modello come riferimento. Dopo aver confrontato i risultati, il team ha scoperto che il modello aveva raggiunto un’accuratezza diagnostica media superiore a quella dei radiologi meno esperti e confrontabile a quella degli esperti.
Nel complesso l’accuratezza delle diagnosi di tutti i radiologi è migliorata in modo significativo con l’assistenza del modello di deep learning.

Fonte: Nature Communications 2024

19 novembre 2024
© Riproduzione riservata