AUTORE PRINCIPALE
Paolo Poggi
AFFILIAZIONE
Istituti Clinici Scientifici Maugeri
VALUTA IL CHALLENGE
GRUPPO DI LAVORO
Paolo Poggi – Istituti Clinici Scientifici Maugeri, Lombardia
Silvia D’Acquisto – LAIFE REPLY, Lombardia
Luca Foti – LAIFE REPLY, Lombardia
Roberto Virgoli – LAIFE REPLY, Lombardia
Nicolas Draghetti – LAIFE REPLY, Lombardia
Roberto Dell’Oro – LAIFE REPLY, Lombardia
AREA TEMATICA
Sviluppo di tecnologie e dispositivi per la salute
ABSTRACT
X-RAIS è uno strumento AI di analisi di immagini medicali basato su reti neurali. Con certificazione medicale di classe IIa (per dispositivi medicali a supporto della diagnosi) in corso di definizione X-RAIS affianca il medico come un assistente cognitivo nella fase di refertazione suggerendo in modo automatico aree sospette e relativa classificazione con l’obiettivo di ridurre il numero di diagnosi errate e migliorare l’efficienza dell’intero processo diagnostico. Ad oggi X-RAIS è specializzato nella lettura clinica di mammografie ed è alla ricerca di nuove aree in cui specializzarsi.
La piattaforma si integra nei diversi PACS e si inserisce nel normale processo operativo del medico radiologo.
A valle di ogni esame mammografico le immagini digitali in formato DICOM vengono inoltrate sul cloud Azure di Microsoft dove X-RAIS opera: determina il livello di densità della mammella così da filtrare i casi troppo densi e consigliare esami ulteriori; in base alla densità determinata declina le proprie reti neurali per evidenziare le aree sospette (localizzazione) e per ogni anomalia presentare un’indicazione che caratterizza la lesione (classificazione) conforme allo standard ACR BI-RADS.
Grazie alla determinazione del livello di densità e all’individuazione di aree positive nel seno X-RAIS può organizzare efficacemente il workflow operativo nella refertazione con particolari benefici nei processi di screening. Inoltre ad ogni nuova richiesta di refertazione su PACS sono mostrati in modo automatico i risultati di elaborazione di X-RAIS; nello specifico una mappa viene sovrapposta all’immagine DICOM visualizzata dai radiologi contenente le anomalie rilevate e la loro caratterizzazione.
Il modello di Deep Learning è stato sottoposto ad un percorso di training attraverso l’analisi reiterata di decine di migliaia di immagini mammografiche processate con tecniche avanzate di Radiomica (nello specifico texture analysis) generando una base di conoscenza su cui si basano gli algoritmi AI utilizzati.
