Skip to main content
Questa pagina viene visualizzata utilizzando la traduzione automatica. Visualizzare la versione in inglese?
Uomo serio in camicia nera con tatuaggio sul braccio sinistro, in piedi contro un muro bianco, mani in tasca, che guarda dritto davanti a sé.

Supporto di intelligenza artificiale per professionisti medici

Gerardo Hermosillo Valadez | Inventori dell'anno Siemens | Achievement alla carriera

Le tecnologie di imaging come i raggi X, le scansioni TC e la risonanza magnetica aiutano i medici da decenni fornendo loro immagini dettagliate delle ossa e delle strutture tissutali all'interno del corpo del paziente. «Tutte queste tecnologie ci forniscono dati di immagine utili per una diagnosi solo se possono essere interpretati correttamente. Ad esempio, qualcuno deve capire che la linea sottile nell'immagine radiografica mostra che un osso è rotto o notare la massa insolita nella grande quantità di dati di una risonanza magnetica», afferma Gerardo Hermosillo Valadez di Siemens Healthineers (SHS), inventore dell'anno 2024 nella categoria Lifetime Achievement. «Il mio dipartimento sta lavorando su processi di intelligenza artificiale in grado di interpretare le immagini mediche e quindi alleviare e supportare il personale medico».

Interpretazione delle immagini con intelligenza artificiale

A man in a suit and tie is standing in front of a building with a large window.

Gerardo Hermosillo Valadez è l'inventore dell'anno 2024: la sua invenzione sviluppa l'intelligenza anatomica

Le persone di solito sono molto brave a individuare le cose nelle foto. Ad esempio, la maggior parte delle persone troverà facile riconoscere la colonna vertebrale nelle immagini radiografiche, anche se le immagini differiscono molto a causa delle diverse posture del paziente, delle diverse angolazioni da cui è stata scattata la foto, delle ossa grandi o piccole o della colonna vertebrale sana o deformata. I computer possono farlo solo utilizzando l'intelligenza artificiale, con deep learning, e solo se sono stati addestrati con molti campioni appropriati. «È così che l'intelligenza artificiale può sviluppare l'intelligenza anatomica in modo che possa farsi strada attraverso le immagini mediche e classificare correttamente le diverse ossa, organi e tessuti», afferma Gerado. «Allo stesso modo, l'intelligenza artificiale può imparare a distinguere tra tessuti normali e anormali».

Innovazioni che danno forma all'intera gamma di prodotti SHS

Esistono molte applicazioni diverse per il riconoscimento delle immagini basato sull'intelligenza artificiale nella vita quotidiana negli ospedali e negli studi medici: ad esempio, un sistema può imparare a visualizzare i dati di immagine corretti in risposta a un'istruzione come «Mostra la scapola destra». Può anche fornire un supporto automatico per gli esami radiologici che determinano quando il mezzo di contrasto iniettato ha raggiunto l'organo da esaminare e analizza i dati delle immagini per possibili alterazioni patogene. Molte delle innovazioni introdotte da Gerardo sono onnipresenti in tutta la gamma di prodotti SHS.

Diverse strategie di apprendimento con intelligenza artificiale

«L'intelligenza artificiale è valida solo quanto i dati con cui è stata addestrata», sottolinea Gerardo. «Per riconoscere i tumori in un'immagine RM, deve aver prima appreso da migliaia di immagini di persone sane e malate che abbiamo messo a sua disposizione». Esistono tre approcci di base alla formazione dell'IA: apprendimento supervisionato, apprendimento con supervisione debole e apprendimento autogovernato. Nell'apprendimento supervisionato, all'intelligenza artificiale vengono fornite informazioni precise per ogni set di dati: ad esempio, «C'è un tumore nell'angolo in alto a destra dell'immagine». Nell'apprendimento con supervisione debole, vengono fornite solo poche etichette informative: ad esempio, tumore o nessun tumore. Nell'apprendimento self-supervisionato, i dati non hanno alcuna etichetta e l'intelligenza artificiale apprende in modo indipendente: ad esempio, nascondendo parti dalle immagini campione esistenti e «indovinando» che aspetto hanno.

Person in black shirt standing against white wall, holding a dark object with blurred background.

La sua invenzione dà forma all'intera gamma di prodotti Siemens Healthineers

Serious man in black shirt with tattoo standing against white wall, partially illuminated from right side

L'intelligenza artificiale può imparare a orientarsi attraverso le immagini mediche e a classificarle correttamente.

Intelligente quasi quanto un atlante di anatomia

L'apprendimento supervisionato è il modo più veloce ed efficiente per l'intelligenza artificiale di apprendere, ma è dispendioso in termini di tempo e denaro ottenere dati di formazione sufficienti che tengano conto di tutti gli aspetti rilevanti. L'apprendimento autosupervisionato richiede più tempo di apprendimento, ma l'intelligenza artificiale può funzionare in modo indipendente senza costose etichettature dei dati. «Di recente, ci siamo concentrati sulle più recenti tecniche di apprendimento autonomo, tecniche come quelle utilizzate da ChatGPT», afferma Gerardo. «Questo ci ha dato una spinta significativa, soprattutto nel campo dell'intelligenza anatomica. La nostra intelligenza artificiale ora è intelligente quasi quanto un atlante di anatomia. È in grado di distinguere tra circa 200 diversi punti di riferimento (parti del corpo) e localizzarli nel materiale di imaging.