Un team di team di ricerca del Centro “BioData Science” della Fondazione Mondino ha messo a punto una nuova tecnica diagnostica che utilizza l’intelligenza artificiale e che consente di elaborare una risonanza magnetica e giungere a diagnosi in tempo reale.
Se non è una rivoluzione, poco ci manca. Il mondo della medicina potrebbe infatti cambiare radicalmente grazie a un’innovazione Made in Lombardia: attraverso l’utilizzo dell’intelligenza artificiale ora è possibile elaborare una risonanza magnetica e giungere a diagnosi in soli dieci secondi.
La nuova tecnica diagnostica, che è stata presentata in anteprima mondiale al CompMat Spring Workshop, l’evento dedicato alle nuove frontiere del machine learning e della matematica computazionale organizzato nei giorni scorsi dall’Università di Pavia, è focalizzata sulla diagnosi e il monitoraggio delle malattie rare neuromuscolari. Consente di ottenere in pochi secondi, fino a un massimo di dieci, informazioni accurate sulle proprietà dei tessuti patologici.
Le reti neurali al servizio della ricerca medica
A sviluppare questa novità che promette di segnare un salto di qualità notevole in ambito medico è stato il team di ricerca composto dal trentenne Leonardo Barzaghi e dalla ventiseienne 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 immaginare che l’impiego delle reti neurali potesse applicarsi anche all’acquisizione delle immagini di risonanza magnetica.
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 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. Tra queste anche la quantità dell’infiammazione, dell’atrofia e la percentuale di grasso. Grazie alle reti neurali si possono poi ottenere immagini in pochi secondi, abbattendo i tempi necessari con i metodi standard, quantificabili in ore”.
Tempi di acquisizione più rapidi
La ricerca di Barzaghi si è concentrata sulle immagini cliniche, mentre quella di Cabini su quelle pre-cliniche. “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”.
I vantaggi? “Questa tecnica consente di ridurre i 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”, sottolinea Cabini, attiva nell’International Center for Advanced Computing in Medicine dell’Università di Pavia, guidato dal professor Alessandro Lascialfari.
“Il Centro “BioData Science” ha indirizzato fin dalla sua nascita (nel 2017) la propria attività di ricerca nello sviluppo di algoritmi per l’analisi automatica di immagini biomediche, sia in ambito clinico che preclinico”, spiega la responsabile scientifica, Silvia Figini, direttrice del dipartimento di Scienze politiche e sociali dell’ateneo. “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”.
Le grandi rivoluzioni iniziano anche così.
