Deep learning per l'analisi di immagini radiologiche nella pandemia da COVID-19: Metodi, spiegabilità, validazione clinica.

Durante la crisi pandemica da Covid-19, l'intelligenza artificiale è stata identificata come uno strumento utile per supportare il medico radiologo nella valutazione dei pazienti. Nell'ambito dell'esperimento AIM (Artificial Intelligence in Medicine) dell'INFN sono stati sviluppati alcuni esempi di sistemi di analisi automatica. Uno fra questi $è LungQuant$, un sistema software basato su una combinazione di tre reti neurali di tipo CNN e di tipo U-net in cascata, in grado di segmentare sia il parenchima polmonare che il volume della lesione nelle CT di pazienti affetti da polmonite da Covid-19, e di quantificare in maniera automatica la percentuale di volume polmonare compromesso. L'algoritmo è stato validato clinicamente seguendo un protocollo di analisi statistica e di confronto tra l'output del software e le valutazioni dei medici radiologi. I buoni risultati raggiunti da $LungQuant$ in termini di performance (accuratezza del $90%$) e di validazione clinica aprono la strada all'estrazione delle features radiomiche dalle lesioni segmentate, sulle quali costruire modelli di reti neurali per predire ad esempio il decorso favorevole o sfavorevole della malattia.