Gli algoritmi di apprendimento profondo potrebbero migliorare la qualità delle diagnosi mediche, in particolare del cancro.
di Karen Hao
Le reti antagoniste generative (GAN), vale a dire gli algoritmi che si celano dietro ai deepfake, hanno una cattiva fama, ma la loro capacità di sintetizzare immagini altamente realistiche potrebbe avere importanti benefici in campo medico.
Gli algoritmi di deep-learning sono eccellenti per mettere a confronto le diverse immagini. Inoltre, possono essere addestrati per rilevare diversi tipi di cancro in una scansione TC, differenziare eventuali malattie nelle risonanze magnetiche e identificare anomalie in una radiografia.
Ma a causa di problemi di privacy, i ricercatori spesso non hanno abbastanza dati per addestrare gli algoritmi. Le reti GAN hanno invece la capacità di sintetizzare più immagini mediche, indistinguibili da quelle reali, moltiplicando i set di dati disponibili.
C’è un’altra sfida, però. Gli algoritmi di apprendimento profondo devono allenarsi su immagini ad alta risoluzione per produrre previsioni accurate, ma la sintesi di questo tipo di immagini, specialmente in 3D, richiede molta potenza computazionale. Ciò significa la presenza di un hardware speciale e costoso, rendendo il suo utilizzo su larga scala difficilmente realizzabile negli ospedali.
Così i ricercatori dell’Institute of Medical Informatics dell’Università di Lubecca hanno proposto un nuovo metodo per rendere il processo meno dispendioso. Lo hanno suddiviso in più fasi: il GAN genera prima l’intera immagine a bassa risoluzione, poi i dettagli alla giusta risoluzione, una piccola sezione alla volta.
Attraverso gli esperimenti, i ricercatori hanno dimostrato non solo che il loro metodo genera immagini 2D e 3D realistiche ad alta risoluzione con risorse computazionali ridotte, ma che la spesa è rimasta costante indipendentemente dalle dimensioni dell’immagine.
Immagine: Andy Wang / AP
(rp)
