Di Parminder Bhatia, Chief AI Officer, GE HealthCare
Mentre l’industria è alle prese con la quarta rivoluzione industriale, un’era caratterizzata da una crescente commistione tra mondo fisico, digitale e biologico, in GE HealthCare continuiamo a cavalcare l’onda del cambiamento grazie a tecnologie innovative e soluzioni intelligenti che si propongono di trasformare l’assistenza sanitaria. Il deep learning, un sottoinsieme dell’intelligenza artificiale (AI) che lavora replicando i processi dell’apprendimendo umano, è fondamentale per il successo di questa missione.
Il deep learning utilizza modelli di reti neurali che permettono di replicare il funzionamento del cervello umano. In ambito diagnostico, questi modelli vengono addestrati con un volume considerevole di dati in modo da poter generare insights a supporto di diagnosi rapide e accurate.
Gli algoritmi di deep learning si stanno rivelando fondamentali, ad esempio, per velocizzare gli esami di risonanza magnetica (che possono essere eseguiti in pochi minuti), oltre che per ridurre gli artefatti da movimento e permettere di rilevare lesioni estremamente piccole. [1]
Il deep learning è inoltre essenziale per rendere l’imaging accessibile alle strutture sanitarie e ai loro pazienti in varie aree cliniche, uno dei nostri obiettivi principali. Recentemente abbiamo ricevuto una donazione dalla fondazione Bill e Melinda Gates che faciliterà lo sviluppo di applicazioni e strumenti ecografici supportati dall’intelligenza artificiale per consentire ai professionisti sanitari con meno esperienza di eseguire esami ecografici di qualità nell’ambito della salute materno-infantile e delle malattie respiratorie.
Negli ultimi anni, gli ospedali e le cliniche hanno adottato un’ampia gamma di soluzioni con intelligenza artificiale a supporto di specifici processi e attività. Per esempio, gli algoritmi di machine learning stanno aiutando i radiologi nel rilevamento del cancro al seno.
In GE HealthCare pensiamo esista un’analogia fra il corpo umano e l’approccio al deep learning. Come le diverse parti del corpo hanno bisogno di lavorare insieme armoniosamente, allo stesso modo è importante integrare tutti gli aspetti dell’AI. Queste tecnologie stratificate hanno l’obiettivo di restituire un’immagine dettagliata o un’istantanea a partire da un’enorme quantità di dati, replicando i meccanismi sofisticati dell’anatomia umana. Si tratta di una vera e propria rivoluzione per la diagnostica per immagini.
Questo approccio ci ha guidato nello sviluppo del portfolio Effortless Recon DL, che comprende tecnologie di imaging per la risonanza magnetica, l’imaging molecolare (MI) e la tomografia computerizzata (CT) basate sul deep learning. Il nostro algoritmo di ricostruzione delle immagini AIR™ Recon DL, per esempio, migliora in modo sostanzianziale la qualità dell’immagine e il rapporto segnale-rumore (SNR). Questo permette ai medici di effettuare esami più rapidi e diagnosi più accurate, migliorando l’efficienza e la produttività del flusso di lavoro. Ad oggi, circa 16 milioni di pazienti hanno beneficiato di AIR™ Recon DL.[2]
True Enhance DL[3], presentato all’ultimo Congresso RSNA, utilizza una rete neurale profonda dedicata (Deep Neural Network, DNN) per generare grazie al deep learning immagini monocromatiche di raggi X a singola energia e per migliorare la risoluzione del contrasto rendendo più accurate le diagnosi, specialmente nelle patologie oncologiche più complesse ma non solo.
Con queste innovazioni abbiamo appena iniziato a sfruttare l’enorme potenziale del deep learning.
Le attuali applicazioni dell’Intelligenza Artificiale in sanità si concentrano principalmente su compiti specifici che afferiscono a modalità individuali come la tomografia computerizzata o i raggi X. Di contro, nell’ambito clinico, i professonisti sanitari si trovano spesso a interagire con diverse modalità e fonti di dati per formulare diagnosi e impostare un piano di trattamento. Si tratta di un processo dinamico, dal momento che i dati che vengono generati nel tempo modellano in continuazione le decisioni cliniche.
Guardando in prospettiva, l’avvento dell’AI multimodale si presta ad aprire nuove possibilità nell’assistenza sanitaria. In questo scenario GE HealthCare immagina un futuro in cui la tecnologia continuerà a rappresentare una componente fondamentale del suo portfolio di prodotti e soluzioni.
Il futuro offre infinite possibilità, per questo vogliamo continuare a espandere i confini del deep learning, per liberare tutto il potenziale della tecnologia ed estenderne i benefici ai pazienti di tutto il mondo.
[1] Omni Legend 32 cm aumenta l’individuazione di piccole lesioni in media del 16% e fino al 20% se confrontato con Discovery MI 25 cm a parità di tempo di scansione e dose iniettata, come dimostrato in un test con fantoccio utilizzando un osservatore modello con lesioni da 4 mm; media dei diversi metodi di ricostruzione.
[2] Calcolati su dati IB con una stima di 20 scansioni al giorno per 5,5 giorni lavorativi in una settimana, utilizzo a pieno regime di AIR™ Recon DL dopo 4 settimane dalla consegna, alla data del 31 ottobre 2023.
[3] True Enhance DL is 510(k) è in attesa dell’autorizzazione della U.S. FDA. Non disponibile alla vendita negli Stati Uniti, in Europa e in Italia.
