Il cancro ai polmoni è una grave malattia che causa, nel mondo, un cospicuo numero di decessi. Tra tutti i tumori, si tratta in fatti di quello che causa il maggior numero di morti. I sintomi del cancro al polmone si presentano, generalmente, in una fase già avanzata della malattia, quando il trattamento ha una ridotta possibilità di successo. Per questo motivo, la diagnosi precoce è un fattore chiave nella riduzione dei tassi di mortalità.
A tale scopo, i processi di screening ricorrono spesso alla ricerca di noduli polmonari, che possono essere rilevati attraverso l’analisi di immagini radiografiche del torace, e risultano visibili ben prima che emergano sintomi o altri segnali clinicamente rilevanti. Poiché gli esami che richiedono radiografie toraciche sono molto comuni, capita spesso di identificare noduli polmonari in modo accidentale, in pazienti sottoposti a esami di routine per problemi non correlati al cancro del polmone.
In questo contesto si inserisce il lavoro di Senticlab, società posseduta da synbrAIn, attraverso la quale sono state sviluppate soluzioni di intelligenza artificiale nell’ambito della medicina e del supporto alla diagnosi. Dal momento che l’individuazione dei noduli polmonari rientrava nella roadmap di sviluppo dei prodotti di synbrAIn, il team dei data scientist di Senticlab ha preso parte alla competizione NODE21, avente come scopo il mettere a confronto varie soluzioni per l’identificazione di noduli tumorali da immagini radiografiche dei polmoni.
Senticlab ha sviluppato una soluzione basata su YOLO, un algoritmo di computer vision moderno e particolarmente efficace per i task di object detection. Applicando, sulle immagini radiografiche, una versione di YOLO opportunamente modificata alle immagini radiografiche, è stato possibile identificare i noduli tumorali con una accuratezza dell’82,75%. Questo risultato, calcolato su un dataset di 4882 immagini radiografiche frontali del torace, ha consentito alla soluzione proposta da Senticlab di classificarsi seconda tra tutte le altre soluzioni partecipanti a NODE21 per il task di detection, a poco più di un punto percentuale dalla soluzione vincente (MTEC, Hamburg University of Technology), e distanziando di due punti percentuali la soluzione proposta dalla prestigiosa UCLA.
Al di là dei risultati, si tratta dell’ennesima prova dell’efficacia dell’intelligenza artificiale nel supporto alla diagnosi. Insieme a Senticlab, synbrAIn ha sviluppato diverse applicazioni che sono già state immesse sul mercato all’interno della piattaforma MS HUMANAID per l’identificazione automatica della tipologia di polmonite a partire da immagini medicali. In aggiunta all’identificazione dei noduli polmonari, sybrAIn e Senticlab stanno lavorando per estendere le funzionalità di MS HUMANAID / AIRX con l’analisi delle TAC e l’identificazione dello Pneumotorace.
Siamo convinti che l’utilizzo di queste tecnologie continuerà ad aumentare sempre più, trovando applicazioni pratiche soprattutto nell’ambito del supporto alla diagnosi, implementando quella human-machine cooperation su cui si fonda tutta la nostra filosofia aziendale.