ImageCLEF è una campagna internazionale organizzata dal CLEF initiative lab, che ha lo scopo di favorire lo sviluppo di nuove soluzioni basate su tecniche di intelligenza artificiale e machine learning per risolvere problemi legati all’ambito dell’healthcare ed al dominio medicale. L’edizione di quest’anno ha l’obiettivo di sviluppare la migliore soluzione possibile che permetta di classificare il tipo di tubercolosi a partire da immagini radiografiche ottenute tramite TAC.
Tra le diverse collaborazioni in essere di synbrAIn, quella con SenticLab è probabilmente la più continua e fruttuosa, soprattutto per quel che riguarda l’ambito healthcare. È quindi con grande piacere che ci troviamo a condividere un recente traguardo raggiunto da SenticLab, coinvolta nella summenzionata competizione ImageCLEFmed. Tra tutti i gruppi di ricerca coinvolti nello sviluppo della migliore soluzione per identificare la tipologia di tubercolosi, la soluzione proposta da Sentic è risultata essere quella in grado di fornire il migliore punteggio in termini di accuracy!
La competizione ha coinvolto un totale di 59 soluzioni, ognuna finalizzata all’identificazione del tipo di tubercolosi tra cinque possibili classi. L’immagine seguente mostra un esempio per ognuna delle classi di tubercolosi appena citate:
Il problema, in questo caso, è risultato particolarmente impegnativo, poiché alcune di queste classi mostrano caratteristiche distintive poco evidenti, e ciò causa una certa tendenza a creare confusione all’interno del dataset. Inoltre, molte delle immagini fornite nel dataset utilizzato per la competizione presentavano più di un tipo di tubercolosi, sebbene la competizione prevedesse l’assegnazione di una singola label ad ogni immagine.
La soluzione sviluppata da SenticLab consiste in un approccio gerarchico in cui un primo classificatore viene addestrato utilizzando solo le immagini radiografiche che presentano un unico tipo di tubercolosi. Questo primo modello è quindi in grado di riconoscere se l’immagine di input presenta uno qualsiasi dei tipi di tubercolosi rilevanti considerati entro il perimetro della competizione. Se l’identificazione va a buon fine, viene poi utilizzato un secondo modello (addestrato separatamente, seppur sullo stesso dataset) per identificare il tipo di tubercolosi più significativo nell’immagine, incorporando anche i risultati prodotti dal primo modello di classificazione.
Non si tratta della prima partecipazione vittoriosa di SenticLab ad una competizione di ImageCLEF. Nell’edizione 2020, quando l’obiettivo della competizione era comunque relativo all’identificazione di malattie dei polmoni a partire da immagini radiografiche, il team risultò vincente, ed i risultati furono pubblicati in un articolo scientifico incluso in una rivista pubblicata da Springer International. Per saperne di più, rimandiamo a questo post sul nostro magazine.
SenticLab e synbrAIn lavorano costantemente insieme nello sviluppo di nuove soluzioni di intelligenza artificiale per l’healthcare. La nostra collaborazione ha permesso ad entrambi i team di crescere insieme, arrivando allo sviluppo di un gran numero di approcci basati sul machine learning per l’analisi di dati medicali, fino all’implementazione di modelli predittivi per il supporto alla diagnosi basata su immagini.