È ormai sempre più frequente il ricorso a sistemi di machine learning in campo medico. Il Medical Imaging with AI è un’area di ricerca che studia applicazioni di intelligenza artificiale per migliorare le diagnosi mediche.
Negli ultimi anni lo sviluppo in questo ambito ha fatto registrare fievoli crescite se comparato agli avanzamenti registrati nella più generale Computer Vision.
Ti spiego subito il motivo.
Le immagini mediche costituiscono informazioni private e sensibili dei pazienti, e per questo attentamente trattate e con stringenti normative che vigilano sul loro corretto uso.
Continua a leggere…
Il quadro normativo complica dunque l’accesso a tali informazioni e le ricerche sono quindi lente e con molti attriti.
Eppure è stato dimostrato come l’impiego dell’Image Segmentation e Analysis, della texture analysis e persino la ricostruzione di imamgini da dati sensore sia oggi non solo possibile ma anche efficacemente utile.
Queste tecniche migliorano la diagnostica per immagini ma sono tremendamente complesse e costose da realizzare.
Ecco allora alcune soluzioni per il Medical Imaging with AI!
Prima però, comprendiamo meglio le problematiche.
I problemi nel Medical Imaging with AI
La ricerca nella Computer Vision ha dimostrato progressi impressionanti in molteplici ambiti:
- image segmentaion e analysis
- Image generation, che grazie all’ausilio delle Generative Adversarial networks possono generare contenuti spesso difficilmente distinguibili dal reale.
Le immagini di training possono qui essere le più disparate: auto, animali e oggetti di uso comune.
Considera per esempio che un popolare dataset per l’allenamento di reti neurali profonde è il ImageNet che contiene più di 14 milioni di immagini.
Questo è il motivo per cui l’impiego di queste tecniche in campo medico è complesso: l’accesso alle immagini è difficile da ottenere.
Quindi i modelli comuni possono usufruire di collezioni immense, mentre la diagnostica per immagini si deve accontentare di dataset limitati e sovente poco rappresentativi.
Considera a questo proposito il fatto che spesso siano i ricercatori stessi, i volontari o gli universitari a devolvere le proprie immagini per fini di ricerca, creando però campioni poco rappresentativi della popolazione mondo.
Mi raccomando, non fare l’errore di pensare che i dati siano scarsi: il problema è l’accesso ai dati sensibili, così difficile da spingere i ricercatori a cercare altre fonti (e.g. scansioni di universitari e volontari).
Diventa sempre più importante garantire la privacy.
L’Anonimizzazione dei dati personali è difficile perché non è sempre chiaro quali dati catturi un modello da dati apparentemente innocui.
Per esempio è possibile determinare l’età e il sesso di un paziente da alcune immagini mediche e in passato dataset anonimi sono stati combinati per la ricostruzione del dato originale.
Dati questi problemi, come possiamo velocizzare la ricerca per il Medical Imaging con l’ausilio del deep learning?
Le Privacy Enhancing Technologies corrono in nostro soccorso, consentendoci di portate a termine il Privacy Preserving Machine Learning.
Le soluzioni per il Medical Imaging with AI
Il Medical Imaging può essere migliorato grazie all’ausilio di tre grandi tecnologie.
Sappiamo che i privacy constrains sono necessari e devono essere rispettati, anche se vogliamo al contempo sviluppare modelli efficaci nei limiti del Privacy vs Utility tradeoff.
Come possiamo usare il Deep Learning on Privacy Data? Il deep learning su dati sensibili può essere compiuto grazie a:
- Federated Learning che consente di allenare modelli su dataset distribuiti, a cui non possiamo avere diretto accesso.
- Differential Privacy con la quale garantire in modo formale e matematico la tutela della privacy dei dati personali definiti dal GDPR.
- Encrypted Computation per consentire l’uso del machine learning su dati criptati grazie alla crittografia.
Per essere ulteriormente chiari, queste tecnologie consentono l’allenamento di modelli di deep learning su dati di differenti organizzazioni, istituzioni, ospedali e cliniche mediche senza condividere i dati sensibili dei pazienti.
Precedentemente era necessario centralizzare i dati per la creazione di un modello, esponendo i dati a rischi di attacco che comprometterebbero la privacy degli interessati, i proprietari del dato.
Oggi è possibile spostare i modelli, anziché i dati, e consentire il Medical Imaging with deep learning.
Ecco un’immagine riassuntiva e schematizzata del processo:
Queste tecnologie combinate consentono lo sviluppo di modelli su dataset diversificati, che aumentano la qualità della diagnostica per immagini e contribuiscono allo sviluppo della Privacy Preserving AI.
Conclusioni
Nei prossimi post vedremo quali reti neurali si apprestano a essere maggiormente impiegate in questo ambito!
Ci vediamo ogni 2 giorni!
Per il momento è tutto.
Per aspera, ad astra.
Un caldo abbraccio, Andrea