La ricerca sul COVID-19 si batte su svariati fronti, tra questi uno dei più prolifici e vivaci viene dai ricercatori nell’ambito dell’intelligenza artificiale (AI), specialmente il Deep Learning. Infatti sin dalle prime notizie della scoperta del virus nella regione di Wuhan, in Cina, a fine 2019, sono stati molti i centri di ricerca che si sono attivati al fine di mettere la propria tecnologia al servizio della medicina.
Il deep learning, o apprendimento profondo, è una delle branche più famose e probabilmente curiose dell’intelligenza artificiale. Esso si basa sull’uso di modelli matematici, come reti neurali artificiali e reti neurali convoluzionali, ispirati al funzionamento del sistema nervoso umano e che, esattamente come l’uomo, imparano dai dati ad essi forniti. L’esplodere dell’epidemia da COVID-19 ha prodotto moltissimi dati, donando così ottimo materiale per l’apprendimento da parte delle reti.
Nella lotta al COVID-19 fondamentale è un’efficace diagnosi, in cui un approccio chiave è quello dell’esame radiologico della zona polmonare. Radiografia e tomografia computerizzata sono le tecniche di imaging principali. L’occhio esperto del radiologo è in grado di identificare eventuali anormalità presenti nelle immagini radiologiche e identificare un paziente affetto da SARS-CoV-2.
L’esplodere della pandemia e le pressioni sugli ospedali hanno reso lo staff medico incapace di occuparsi efficacemente dell’aspetto diagnostico. Qui entrano in gioco le reti neurali. Esse sono in grado di imparare dalle immagini, si parla infatti non a caso di training o allenamento, e di estrarre informazioni salienti per poi formulare una diagnosi, come già dimostrato nell’identificazione di tumori presenti in diversi organi. L’analisi e la diagnosi automatizzata, cioè fatta da modelli computazionali, riduce il carico lavorativo dell’uomo e ne aumenta l’efficacia, in una vera e propria collaborazione essere umano-macchina.
Sin dagli inizi della scoperta del virus, diversi centri di ricerca internazionali hanno iniziato ad applicare modelli di deep learning alle immagini radiologiche. I ricercatori hanno utilizzato sin da subito reti convoluzionali ben note agli esperti nel campo, come VGG-16 e AlexNet, al fine di identificare pazienti affetti da COVID-19 rispetto a soggetti sani o al fine di discriminare la polmonite da COVID-19 rispetto a quella di origine batterica.
Gli studi si sono via via raffinati, portando ad approcci più complessi ma anche più accurati. Sono state pensate architetture con reti in serie in grado di svolgere compiti diversi sulle immagini: una prima rete per segmentare, cioè localizzare, l’area polmonare d’interesse e a seguire una rete in grado di fare la diagnosi.
Un ulteriore passo è stato quello di creare delle reti ad hoc, delle “taylored network”, ricamate attorno al problema della diagnosi di COVID al fine di essere più efficaci e accurate. Ne è nata, ad esempio, una rete dal nome emblematico COVINet, pensata appositamente per estrarre e focalizzarsi su caratteristiche delle immagini radiologiche strettamente correlate agli effetti del virus a livello polmonare.
In questa gara nella ricerca del modello più accurato per fare diagnosi, i ricercatori hanno anche pensato a reti in grado di svolgere compiti diversi ma altrettanto necessari. Sono stati creati modelli che, a partire dal quadro clinico del paziente e dalle sue immagini radiografiche, usano le reti neurali al fine di fare predizioni circa la gravità della patologia, aspetto fondamentale per aiutare il clinico a stabilire delle priorità nel fornire delle cure.
Reti neurali convoluzionali, principalmente pensata per lo studio di immagini, sono state anche applicate nell’analisi di serie temporali grazie alla loro capacità di scovare trend nei dati, portando ad ottimi risultati in uno studio condotto in vari paesi, tra cui Cina, Russia, Brasile e Regno Unito. Questo permette di poter fare previsioni sulle curve epidemiche e aiutare di conseguenza i governi ad adottare strategie di intervento.
Nonostante le grandi potenzialità mostrate dall’AI e dal deep learning, è importante sottolineare che le loro applicazioni nell’area COVID sono ancora in una fase preliminare. Sono necessari ulteriori studi e analisi prima di poter portare il tutto nella pratica clinica. Nell’era dei big data, una delle grosse sfide da superare è quella di raccogliere e usare per l’allenamento delle reti molti più dati rispetto a quelli disponibili.
Attualmente tutti gli studi effettuati si basano su dataset open source molto limitati, sia in termini numerici che di varietà dei pazienti rappresentati. I lettori più curiosi possono accedere a questi dataset, così come tutorial per implementare reti neurali dalle basi, e magari dare il proprio contributo alla ricerca!
A cura di Francesca Maccarone
