Il Deep Learning (che si potrebbe tradurre in ” Apprendimento profondo”) é una tecnologia che fa parte delle metodiche di analisi dei dati tipiche del Machine Learning (cioé insegnare alle macchine) che a sua volta é parte del campo dell’intelligenza artificiale. Seppur conosciuta dagli anni 50, solo recentemente ha potuto sfruttare le reti neurali e le elevate capacità di calcolo dei nuovi computer per eseguire tutta la serie di operazioni necessarie per apprendere a riconoscere determinate caratteristiche di un insieme di dati (che nel nostro sono le immagini quindi l’insieme dei pixel o voxel) . Per renderci conto della portata dell’argomento abbiamo 300 articoli pubblicati nel 2013 e più di 4000 nel 2019. Queste caratteristiche vengono chiamati “patterns” e possono essere riconosciuti dalla macchina anche senza la volontà diretta della parte “umana” che organizza e gestisce l’algoritmo.
Solitamente il Deep Learning viene utilizzato per automatizzare la segmentazione di tessuti anatomici (ed esempio il software Free Surfer https://surfer.nmr.mgh.harvard.edu/) e per individuare automaticamente le patologie catalogandole come tali. E’ stato anche utilizzato per esempio per generare delle immagini simil-TC partendo dal dataset dati di una Pet-Rm.
Ma come funziona la procedura?Innanzitutto deve essere definito l’algoritmo che sarà alla base del calcolo automatizzato, solitamente non conosciuto agli operatori anche a causa dell’estrema complessità . A grandi linee il processo é inizialmente caratterizzato da un periodo di apprendimento della macchina, compiuto direttamente dall’uomo, per indicare quali sono i processi da seguire. In questa fase si utilizzano delle categorizzazioni (“Label”) per indicare il tipo di informatione contenuta, per esempio presenza di tumore o assenza di tumore o ancora tumore benigno o tumore maligno. La macchina raccoglie quindi autonomamente le informazioni che le servono dall’immagine sapendo che si tratta di un cado (patologico) o dell’altro, e successivamente questi processi diventano automatizzati e i calcoli produrranno risultati automatici. In sostanza insegnamo alla macchina come imparare e lei imparerà autonomamente, anche se non sappiamo bene quale siano i criteri decisionali che la portano a fare determinate scelte.
Tra i limiti attuali ci sono le disomogeneità della grossa quantità di dati che abbiamo a disposizione, che sono acquisiti spesso a macrogruppi con macchine differenti, tecniche differenti e livelli di rumore e CNR differenti.
Anche il fatto che il processo a scatola chiusa che esegue in automatico l’algoritmo puo’ porre problemi sulla reale fedeltà dei risultati.E per ultimo l’aspetto etico che é sempre presente (vista la necessità di utilizzare molti dati di veri pazienti anche solo per la fase di apprendimento del software e, come per tutte le novità tecnologiche, potrebbero esserci aspetti da considerare che non sono ancora conosciuti.
LETTURE INTERESSANTI
Deep learning with convolutional neural network in radiology
Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions
