Intelligenza artificiale e scoliosi

Sebbene l’attenzione nei confronti dell’intelligenza artificiale correlata all’assistenza sanitaria sia in espansione, sono stati compiuti molti progressi nella traduzione o nell’implementazione di queste tecnologie per l’uso clinico. Pertanto, mentre conduciamo la nostra ricerca, apriremo un nuovo campo di studio per l’integrazione dell’intelligenza artificiale (AI) negli strumenti di valutazione medica e nel campo della terapia fisica. Ciò farà risparmiare tempo e fatica ai fisioterapisti per sviluppare valutazioni adeguate e condurre piani di trattamento, avvantaggerà i pazienti e il paese in generale riducendo l'onere finanziario associato all'esecuzione di valutazioni e gestione accurate di questi casi e fornirà valutazioni chiare e obiettive per la maggior parte delle patologie spinali. deformità scoliotiche e un'adeguata personalizzazione dei piani di trattamento.

Marziali e metodi

1. Esperimenti marziali Questa sezione presenta i risultati della ricerca, descrivendo in dettaglio le metodologie impiegate e i risultati ottenuti. L'analisi inizia con una panoramica del set di dati utilizzato, seguita dalle fasi di preelaborazione intraprese per garantire la qualità dei dati e l'idoneità per l'addestramento del modello. quindi approfondire i vari approcci e modelli selezionati per questo studio, comprese sia le reti neurali convoluzionali (CNN) personalizzate che i modelli preaddestrati utilizzati attraverso l'apprendimento del trasferimento. Ogni modello viene valutato in base alle sue prestazioni e vengono discussi l'impostazione sperimentale e le metriche di valutazione utilizzate per misurare l'efficacia. Infine, presentando i risultati sperimentali, fornendo un'analisi completa dell'accuratezza, della precisione, del richiamo del modello e di altri parametri rilevanti.

   2.1 Raccolta dei dati I dati dei soggetti sono stati divisi per 2 gruppi. Le radiografie totali della colonna vertebrale normale del gruppo (A) consistevano in 664 immagini, mentre le radiografie dei pazienti scoliotici del gruppo (B) consistevano in 4307 immagini. Tutte le radiografie spinali coinvolte in questo studio sono state compilate retrospettivamente da molteplici fonti, tra cui BUU Datasets, Kaggle, Mendeley Data, Huggingface, Dropbox e Roboflow, garantendo una raccolta diversificata e completa di immagini correlate alla scoliosi. Ai pazienti con scoliosi è stata (1) diagnosticata una scoliosi per diversa eziologia, (2) radiografia chiara della colonna vertebrale per tutte le curvature spinali incluse; cervicale, toracica e lombare. (3) Scoliosi a forma di C e a doppia C. (4) gradi scoliotici lievi, moderati e gravi. (5) Adolescenti con età media 17 anni (6) Entrambi i sessi (maschi e femmine).

2. Metodologia proposta 2.1 Aumento dei dati Per affrontare il problema dei dati limitati, abbiamo utilizzato l'aumento dei dati per espandere artificialmente il nostro set di dati. Questa tecnica prevede la generazione di nuovi campioni di addestramento applicando varie trasformazioni alle immagini esistenti, come capovolgimento, ridimensionamento e rotazione. Questi aumenti non solo aumentano la dimensione del set di dati, ma svolgono anche un ruolo cruciale nel migliorare la capacità del modello di generalizzare esponendolo a una più ampia varietà di variazioni dell’immagine. Simulando diverse condizioni di visualizzazione e distorsioni, l'aumento dei dati aiuta il modello a diventare più robusto rispetto ai cambiamenti nell'orientamento dell'immagine, nella scala e ad altre variazioni che potrebbe incontrare negli scenari del mondo reale. Questo processo è particolarmente importante nell'analisi delle immagini mediche, dove l'acquisizione di set di dati grandi e diversificati può risultare impegnativa. L'aumento dei dati garantisce che il modello non si adatti eccessivamente al limitato set di dati originale e impari invece a riconoscere i modelli sottostanti indicativi di scoliosi, migliorandone in definitiva le prestazioni e l'affidabilità.

Immagini originali Immagine capovolta Immagine ruotata Immagine ridimensionata

. Esempi di tecniche di aumento dei dati applicate Immagini 2.2 Preelaborazione Una preelaborazione efficace è un passaggio fondamentale nella preparazione del nostro set di dati per l'addestramento del modello, poiché migliora la qualità e la coerenza delle immagini, rendendole più adatte all'analisi. Una delle tecniche chiave è stata l'equalizzazione degli istogrammi, particolarmente importante nell'imaging medico dove sottili variazioni nell'intensità dei pixel possono avere un impatto significativo sull'accuratezza della classificazione. L'equalizzazione dell'istogramma migliora il contrasto delle immagini ridistribuendo i valori di intensità, garantendo che l'istogramma, o la distribuzione delle intensità dei pixel, sia distribuito in modo più uniforme. Questo processo migliora le caratteristiche importanti delle immagini, rendendole più informative e più facili da interpretare per il modello.

2.3 Approcci e selezione del modello Questo studio esamina vari modelli di machine learning e deep learning per affrontare il complesso compito di classificare le immagini normali e scoliotiche. L’approccio di ricerca è stato meticolosamente progettato per trovare un equilibrio ottimale tra il raggiungimento di un’elevata precisione di classificazione e il mantenimento dell’efficienza computazionale, che è fondamentale per le applicazioni mediche nel mondo reale. Un'attenta selezione della gamma di modelli, ciascuno dei quali offre punti di forza unici nella gestione dei dati di immagine, e li ha configurati per massimizzare le prestazioni sul set di dati inserito. I paragrafi seguenti forniscono una panoramica completa dei modelli utilizzati, le motivazioni alla base della loro scelta, le loro configurazioni specifiche e un'analisi dettagliata dei risultati ottenuti dagli esperimenti. Questo esame approfondito non solo evidenzia l’efficacia dei modelli scelti, ma offre anche approfondimenti sulla loro potenziale applicabilità in contesti clinici.

2.3.1 Le reti neurali convoluzionali (CNN) hanno utilizzato le reti neurali convoluzionali (CNN) per capacità eccezionali nei compiti di classificazione delle immagini. Le CNN eccellono nel catturare gerarchie spaziali e caratteristiche all'interno delle immagini attraverso una combinazione di livelli convoluzionali, livelli di pooling e livelli densi Livelli convoluzionali: questi livelli sono fondamentali per le CNN, poiché applicano vari filtri alle immagini di input per rilevare modelli come bordi, trame e forme. Facendo scorrere questi filtri sull'immagine, i livelli convoluzionali generano mappe di caratteristiche che rappresentano diversi aspetti dell'immagine. Abbiamo sperimentato varie dimensioni e numeri di filtri per ottimizzare il processo di estrazione delle funzionalità.

Livelli di pooling: i livelli di pooling, in genere utilizzando operazioni come il pooling massimo o il pooling medio, sottocampionano le mappe delle caratteristiche prodotte dai livelli convoluzionali. Ciò riduce le dimensioni spaziali delle mappe delle caratteristiche, diminuendo così il carico computazionale e aiutando il modello a generalizzarsi meglio concentrandosi sulle caratteristiche più salienti. Abbiamo utilizzato livelli di pooling per gestire in modo efficace la dimensionalità e migliorare l'efficienza del modello.

Strati densi: dopo le operazioni convoluzionali e di pooling, gli strati densi (strati completamente connessi) venivano utilizzati per interpretare le caratteristiche estratte dagli strati convoluzionali. I livelli densi aggregano le caratteristiche di alto livello ed eseguono la classificazione finale mappando le rappresentazioni apprese sulle etichette di output. Abbiamo ottimizzato il numero di strati densi e le relative unità per migliorare la capacità del modello di effettuare previsioni accurate.

Questa combinazione di strati convoluzionali, di pooling e densi ci ha permesso di costruire una solida architettura CNN che distingue efficacemente tra immagini normali e scoliotiche.

2.3.2 Trasferire l'apprendimento

Date le dimensioni limitate del nostro set di dati, abbiamo sfruttato l’apprendimento del trasferimento per migliorare le prestazioni del modello senza estese risorse computazionali. Il trasferimento dell'apprendimento implica l'utilizzo di modelli pre-addestrati, sviluppati su set di dati ampi e diversificati, e il loro adattamento al nostro compito specifico. diversi modelli avanzati pre-addestrati per trarre vantaggio dalle funzionalità apprese:

XceptionNet: XceptionNet è un'architettura basata su convoluzioni separabili in profondità, che scompone le operazioni di convoluzione in operazioni più piccole ed efficienti. Questo design aiuta a catturare funzionalità complesse riducendo al contempo la complessità computazionale. Abbiamo messo a punto XceptionNet per adattare le sue funzionalità apprese al nostro compito di classificazione della scoliosi.

DenseNet201: DenseNet201 è caratterizzato dal suo fitto modello di connettività, in cui ogni strato riceve input da tutti gli strati precedenti. Questo approccio promuove il riutilizzo delle funzionalità e migliora il flusso del gradiente durante l'addestramento. DenseNet201 è stato utilizzato per sfruttare le sue potenti capacità di estrazione delle funzionalità e migliorare la precisione del nostro modello.

EfficientNetB0: EfficientNetB0 utilizza un metodo di ridimensionamento composto che ridimensiona uniformemente la profondità, la larghezza e la risoluzione della rete. Questo modello è noto per il suo equilibrio tra precisione ed efficienza. EfficientNetB0 si è adattato al set di dati per beneficiare della sua architettura ottimizzata e delle prestazioni elevate.

InceptionV3: InceptionV3 presenta un'architettura complessa con molteplici operazioni convoluzionali parallele di varie dimensioni di filtro, che gli consentono di acquisire un'ampia gamma di funzionalità. InceptionV3 incorporato per sfruttare la sua solida estrazione di funzionalità e capacità di elaborazione multiscala.

MobileNetV2: MobileNetV2 è progettato per dispositivi mobili ed edge con in mente l'efficienza e la velocità. Utilizza convoluzioni separabili in profondità per ridurre le dimensioni del modello e i requisiti computazionali. MobileNetV2 utilizzato per raggiungere un equilibrio tra efficienza del modello e accuratezza della classificazione.

La messa a punto di questi modelli pre-addestrati rende i classificatori in grado di sfruttare le loro capacità avanzate di estrazione delle caratteristiche e adattarle al compito specifico selezionato di classificare immagini normali e scoliotiche, con conseguente miglioramento delle prestazioni e riduzione dei tempi di addestramento.