Technical Report: Automated Optical Inspection of Surgical Instruments

Questo rapporto presenta un sistema di ispezione ottica automatizzata basato su architetture di deep learning (YOLOv8, ResNet-152 ed EfficientNet-b4) e un nuovo dataset di 4.414 immagini, sviluppato in collaborazione con leader dell'industria di Sialkot per rilevare difetti critici negli strumenti chirurgici pakistani e garantire la sicurezza dei pazienti.

L'essenziale

Ecco una spiegazione semplice e creativa del rapporto tecnico, pensata per chiunque, anche senza conoscenze tecniche.

🏥 Il "Controllore di Qualità" Invisibile: Una Storia di Coltelli, Forbici e Sicurezza

Immagina che il mondo della chirurgia sia come un orchestra gigante. Ogni strumento (forbici, pinze, bisturi) è un musicista. Se un musicista è stonato o ha una corda rotta, l'intera sinfonia (l'operazione chirurgica) può andare in tilt, con conseguenze tragiche per il paziente.

In Pakistan, in una città chiamata Sialkot, ci sono migliaia di artigiani che costruiscono questi "musicisti" (gli strumenti chirurgici) per il mondo intero. È un'industria enorme, ma c'è un problema: gli umani si stancano.

🧐 Il Problema: L'Occhio Umano si Stanca

Fino a poco tempo fa, controllare se uno strumento aveva un graffio, una ruggine o un piccolo buco (un "difetto") era compito di un ispettore umano.

• L'analogia: È come chiedere a qualcuno di trovare un granello di sabbia su un tappeto bianco dopo aver lavorato per 10 ore. L'occhio si stanca, la luce cambia, e a volte il granello viene ignorato. Se uno strumento difettoso finisce in sala operatoria, può causare infezioni o rompersi durante un'operazione.

🤖 La Soluzione: Il "Super-Occhio" Digitale

Gli autori di questo rapporto, insieme a due aziende leader del settore (Daddy D Pro e Dr. Frigz), hanno deciso di creare un occhio digitale che non si stanca mai. Hanno costruito un sistema chiamato SurgScan.

Ecco come funziona, passo dopo passo, con delle metafore semplici:

1. La Raccolta delle "Foto Segnalate" (Il Dataset)
Prima di insegnare al computer a riconoscere i difetti, hanno dovuto mostrargli milioni di esempi.

• Cosa hanno fatto: Hanno preso migliaia di foto reali di strumenti chirurgici. Alcune erano perfette, altre avevano ruggine, graffi, buchi o crepe.
• L'analogia: È come se un insegnante mostrasse a un bambino migliaia di foto di "gatti sani" e "gatti malati" per insegnargli a distinguerli. Hanno creato un "album fotografico" speciale con 2.700 strumenti difettosi e 1.600 perfetti.

2. Il "Cervello" Intelligente (L'Intelligenza Artificiale)
Hanno usato una tecnologia chiamata YOLO (che sta per "You Only Look Once" - Guardi una sola volta).

• Come funziona: Invece di usare un unico cervello gigante per tutto, hanno creato un sistema a due livelli:
  • Livello 1 (Il Riconoscitore): Guarda lo strumento e dice: "Ah, questa è una forbice, quella è una pinza".
  • Livello 2 (Il Detective): Una volta capito cos'è lo strumento, attiva un "detective" specifico per quel tipo. Una pinza ha difetti diversi da una forbice. Questo detective sa esattamente dove cercare i graffi su quella specifica pinza.
• L'analogia: Immagina un grande magazzino. All'ingresso, un guardiano ti chiede: "Sei un cliente o un dipendente?" (Livello 1). Se sei un cliente, ti manda al reparto vestiti. Se sei un dipendente, ti manda alla mensa. Non mandi un dipendente al reparto vestiti, perché farebbe confusione. Allo stesso modo, il sistema usa il "detective" giusto per ogni strumento.

3. L'Allenamento (Il Gioco di Ruolo)
Hanno addestrato il computer mostrandogli le foto, ma hanno anche "giocato" con le immagini per renderlo più forte.

• Cosa hanno fatto: Hanno ruotato le foto, cambiato la luminosità e aggiunto un po' di "rumore" (come se la foto fosse presa con una vecchia macchina fotografica).
• L'analogia: È come allenare un atleta facendogli correre sotto la pioggia, con il vento contrario e su terreni sconnessi. Così, quando arriva la gara vera (l'ispezione reale), l'atleta è pronto per qualsiasi cosa.

4. Il Risultato: Il "SurgScan"
Hanno creato un sito web (un'app) dove gli operatori possono caricare le foto degli strumenti.

• Cosa fa il sistema: In pochi secondi, il sistema analizza la foto e dice: "Questo strumento è perfetto, può andare in sala operatoria" oppure "Attenzione! C'è una ruggine qui, scartalo!".
• I numeri: Il sistema ha funzionato meglio di qualsiasi altro metodo testato, raggiungendo una precisione quasi perfetta (oltre il 99%). È veloce, non si stanca mai e non sbaglia per distrazione.

🌟 Perché è Importante?

Questo progetto non è solo una questione di tecnologia, ma di salvare vite umane.

• Per i pazienti: Significa meno infezioni e operazioni più sicure.
• Per i produttori pakistani: Significa che i loro strumenti sono così perfetti che i paesi occidentali (come USA e Germania) li comprano con fiducia, evitando di rifiutare intere spedizioni.
• Per il futuro: Dimostra che l'Intelligenza Artificiale può essere un grande alleato della medicina, non per sostituire i chirurghi, ma per assicurarsi che gli "strumenti del chirurgo" siano sempre al 100%.

In sintesi: Hanno trasformato un compito noioso e rischioso (controllare a occhio nudo se un coltello è rovinato) in un processo automatico, veloce e infallibile, usando l'Intelligenza Artificiale come un super-ispettore che non dorme mai.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del rapporto di ricerca, redatta in italiano.

Titolo: Ispezione Ottica Automatizzata (AOI) degli Strumenti Chirurgici: Un Approccio basato su Deep Learning per il Controllo Qualità nell'Industria Pakistanese

1. Il Problema

L'industria degli strumenti chirurgici, in particolare quella di Sialkot in Pakistan (che rappresenta un hub globale con oltre il 99% della produzione nazionale e un valore di export di circa 359 milioni di USD annui), affronta sfide critiche nel controllo qualità.

• Limiti dell'Ispezione Manuale: Il metodo tradizionale si basa sull'ispezione visiva umana, che è laboriosa, soggettiva, soggetta a errori dovuti alla fatica e inconsistente.
• Rischi per la Sicurezza: Difetti come corrosione, pori, crepe, graffi o parti allentate possono compromettere l'integrità strutturale degli strumenti, portando a infezioni del sito chirurgico (SSI), rotture durante l'intervento o fallimenti procedurali con conseguenze potenzialmente fatali per i pazienti.
• Impatto Economico: Errori di ispezione portano al rifioto di interi lotti di produzione da parte dei clienti internazionali (UE, USA), causando perdite finanziarie significative per i produttori e danni alla reputazione del settore.
• Necessità di Automazione: La crescente domanda di standard di qualità rigorosi (ISO, FDA-GMP) richiede soluzioni scalabili, rapide e prive di errori umani per l'identificazione dei difetti prima della spedizione.

2. Metodologia

Il progetto ha adottato un approccio basato sulla visione artificiale e sul deep learning, sviluppato in collaborazione con i partner industriali Daddy D Pro e Dr. Frigz International.

• Raccolta e Curation dei Dati:

  • È stato creato un dataset proprietario contenente 2.738 immagini difettose e 1.676 immagini non difettose.
  • Gli strumenti analizzati includono 11 categorie principali (es. forbici, pinze, scalpelli, curette, sonde) con difetti specifici: corrosione/ruggine, pori, crepe, graffi e tagli.
  • Le immagini sono state acquisite in condizioni controllate (illuminazione uniforme, sfondo verde, risoluzione 1600x1600) per garantire coerenza.
  • È stata applicata una Data Augmentation (rotazione, regolazione luminosità/contrasto, rumore gaussiano, maschera di nitidezza) per migliorare la generalizzazione del modello.

• Architettura del Sistema (Approccio a Due Stadi):
  Per massimizzare l'accuratezza, è stato implementato un sistema a due fasi:

  1. Classificazione dello Strumento: Identificazione del tipo di strumento chirurgico presente nell'immagine.
  2. Classificazione del Difetto Specifico: Una volta identificato lo strumento, un modello dedicato analizza specificamente quel tipo di strumento per rilevare difetti. Questo evita falsi positivi causati da caratteristiche strutturali naturali dello strumento che potrebbero essere confuse con difetti da un modello generico.

• Modelli di Deep Learning:
  Sono stati addestrati e confrontati diversi stati dell'arte: EfficientNet-b4, ResNet-152, ResNeXt-101, YOLOv8 e YOLOv11.

  • Scelta del Modello: YOLOv8 è stato selezionato come modello ottimale grazie al suo eccellente compromesso tra velocità di inferenza (tempo reale) e accuratezza, essenziale per ambienti industriali ad alto volume.

• Sviluppo del Prototipo (SurgScan):
  È stato sviluppato un'applicazione web completa (architettura 3-tier: React frontend, Django backend, PostgreSQL database) che integra i modelli AI per l'ispezione automatizzata, la gestione dei batch e la visualizzazione delle statistiche.

3. Risultati Chiave

Il confronto tra i modelli ha dimostrato la superiorità di YOLOv8 per questo specifico compito:

• Accuratezza: YOLOv8 ha raggiunto un'accuratezza di test del 99,58% (con un'accuratezza di training del 99,60%).
• Metriche di Performance:
  • Precisione: 99,83%
  • Recall: 99,61%
  • F1-Score: 99,72%
  • ROC-AUC: 1,0000 (perfetto)
• Confronto: YOLOv8 ha superato significativamente modelli più pesanti come ResNet-152 (che, pur avendo buone capacità di dettaglio, erano più lenti e computazionalmente costosi) e EfficientNet-b4.
• Validazione: Il sistema è stato testato su diversi strumenti (es. Forbici da bendaggio, Pinze da medicazione, Sonde Ex-Probe), confermando la robustezza dell'approccio specifico per strumento.

4. Contributi Principali

1. Dataset Specializzato: Creazione di uno dei primi dataset pubblici/privati strutturati e annotati specificamente per i difetti degli strumenti chirurgici pakistani, coprendo una vasta gamma di strumenti e tipi di difetti.
2. Strategia di Classificazione Ibrida: Dimostrazione dell'efficacia di un approccio a due stadi (Classificazione Strumento -> Classificazione Difetto) rispetto a un modello "one-size-fits-all", riducendo i falsi positivi legati alla geometria degli strumenti.
3. Implementazione Industriale: Sviluppo e deployment di un prototipo funzionante (SurgScan) che integra l'AI in un flusso di lavoro reale, dimostrando la fattibilità dell'AOI (Automated Optical Inspection) nel settore manifatturiero medico.
4. Collaborazione Industria-Accademia: Un modello di successo che unisce l'esperienza di produttori leader pakistani (Daddy D Pro, Dr. Frigz) con la ricerca accademica (FAST-NUCES) per risolvere problemi reali di qualità.

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale verso la modernizzazione dell'industria degli strumenti chirurgici in Pakistan e a livello globale:

• Sicurezza del Paziente: Riduce drasticamente il rischio che strumenti difettosi raggiungano le sale operatorie, prevenendo infezioni e complicanze chirurgiche.
• Efficienza Economica: Permette ai produttori pakistani di mantenere e migliorare la loro quota di mercato globale, riducendo i resi e i rifiuti di produzione dovuti a controlli di qualità inaffidabili.
• Scalabilità: La soluzione basata su YOLOv8 è leggera e veloce, rendendola adatta all'integrazione in linee di produzione ad alto throughput e in ambienti con risorse computazionali limitate.
• Standardizzazione: Contribuisce all'adozione di standard di qualità internazionali (ISO, FDA) attraverso l'uso di tecnologie di ispezione oggettiva e ripetibile.

In conclusione, il progetto dimostra come l'intelligenza artificiale applicata alla visione computerizzata possa trasformare un processo di controllo qualità manuale e soggetto a errori in un sistema automatizzato, preciso e affidabile, con benefici diretti per l'industria manifatturiera e, soprattutto, per la salute pubblica.