Enhancing Clinical Decision Support Through Explainable AI: A Comparative Study of CNN and Vision Transformer Models for Skull Fracture Detection in CT Scans

Immagina di essere un detective che cerca di risolvere un mistero all'interno di una stanza chiusa. Nel mondo della medicina, quella stanza è la testa umana, e il mistero è una crepa nascosta nel cranio — una frattura causata un urto o una caduta. Per vedere l'interno senza rompere la porta, i medici usano un tipo speciale di raggi X chiamato TC, che scatta centinaia di sottili fette del cervello come le pagine di un libro. Ma leggere tutte quelle pagine è un lavoro estenuante. A volte, le crepe sono così sottili e difficili che sembrano solo linee normali nell'osso, e persino esperti medici possono mancarle. È qui che entra in gioco l' "Intelligenza Artificiale" (IA). Pensa all'IA come a un assistente robotico super veloce che può leggere tutte le pagine in pochi secondi. Ma ecco il trucco: i robot sono spesso come delle scatole nere. Ti danno una risposta, ma non ti diranno perché pensano che sia quella. Se un robot dice: "C'è una crepa qui", ma tu non puoi vedere dove sta guardando, un medico potrebbe non fidarsi. Questo articolo parla di costruzione di un robot che non solo trovi le crepe, ma che punti anche il dito esattamente dove le ha viste, così i medici possano dire: "Ah, capisco cosa intendi".

I ricercatori in questo studio hanno deciso di mettere alla prova due diversi tipi di robot detective: uno che pensa come un occhio umano tradizionale (chiamato CNN, specificamente ResNet-50) e uno che pensa come un super-organismo moderno alla ricerca di pattern (chiamato Vision Transformer, specificamente DeiT-Tiny). Volevano vedere quale fosse più bravo a individuare fratture craniche nelle scansioni TC e, cosa più importante, quale potesse spiegare il proprio pensiero in modo abbastanza chiaro da poter essere considerato affidabile in un ospedale.

La Grande Sfida tra Detective

Per condurre questo esperimento, il team ha raccolto una collezione di 4.914 fette di scansione TC da 15 pazienti che avevano subito lesioni cerebrali in un ospedale in Sri Lanka. È un po' come avere una piccola biblioteca di libri di misteri piuttosto che una enorme, il che rende il lavoro più difficile per i robot. Hanno pulito le immagini, rendendo le ossa nitide e chiare, e poi hanno insegnato ai due robot come individuare le fratture.

Il primo robot, ResNet-50, è come un detective che si concentra sui piccoli dettagli. Guarda piccole porzioni dell'immagine, controllando ogni piccolo rilievo o linea. Il secondo robot, DeiT-Tiny, è più come un detective che fa un passo indietro per guardare l'intera immagine in un colpo solo, collegando i punti attraverso l'intera immagine per trovare schemi.

Quando i robot hanno iniziato il loro lavoro, i risultati sono stati chiari. Il detective tradizionale, ResNet-50, è stato quello migliore nel trovare. Ha identificato correttamente le fratture circa il 72,6% delle volte e aveva un "punteggio" per quanto fosse bravo a distinguere le crepe dall'osso normale (chiamato AUC-ROC) di 0,800. Il detective moderno, DeiT-Tiny, è stato un po' più lento e meno accurato, ottenendo la risposta corretta il 67,3% delle volte con un punteggio di 0,746. La differenza non era solo un caso fortuito; la matematica mostrava che era un divario reale e significativo. Infatti, ResNet-50 era molto più bravo a evitare falsi allarmi (dire che c'era una crepa quando non c'era), mentre DeiT-Tiny tendeva a eccitarsi un po' troppo e a vedere crepe dove non ce n'erano.

Il "Perché" dietro la Risposta

Ma essere un buon detective non significa solo trovare la risposta; significa anche mostrare il proprio lavoro. È qui che la storia si fa interessante. I ricercatori volevano sapere: Quando il robot dice "frattura", dove sta effettivamente guardando?

Per controllare questo, hanno chiesto a un esperto umano di disegnare dei riquadri attorno alle vere fratture su alcune immagini di test. Poi, hanno confrontato quei riquadri con le "mappe di calore" che i robot hanno disegnato per mostrare il proprio focus. Immaginate i robot che disegnano una nuvola luminosa sopra l'immagine per mostrare dove pensano che sia la crepa.

Qui, le sorti si sono leggermente invertite. Mentre ResNet-50 era migliore nell' individuare le crepe, DeiT-Tiny era leggermente migliore nel puntarle. La nuvola luminosa del robot moderno si sovrapponeva alla vera frattura un po' più di quanto non facesse quella del robot tradizionale. Tuttavia, la sovrapposizione era ancora molto piccola per entrambi — pensate al robot che indica generalmente il giusto quartiere, ma non proprio l'esatto numero civico. I numeri erano bassi: DeiT-Tiny è riuscito a ottenere un minuscolo punteggio di sovrapposizione di 0,021, mentre ResesNet-50 era a 0,006. Anche il robot "migliore" non era perfetto nell'individuare il punto esatto.

Cosa Significa per il Futuro

Quindi, qual è il verdetto? Lo studio suggerisce che se avete bisogno di un robot che vi dica se un paziente ha una frattura, il tradizionale ResNet-50 è attualmente la scelta più affidabile, specialmente quando non si dispone di una grande quantità di dati per l'addestramento. È il detective costante ed esperto che svolge il compito. Tuttavia, se vi interessa che il robot sia in grado di mostrarvi dove sta guardando in un modo che sembri un po' più logico per l'occhio umano, il moderno DeiT-Tiny ha un leggero vantaggio, anche se non è altrettanto bravo nella rilevazione effettiva.

I ricercatori sono cauti nell'affermare che nessuno dei due robot è pronto per sostituire un medico proprio ora. Entrambi i robot hanno mancato circa la metà delle fratture reali (un "richiamo" o recall di circa 0,49), il che significa che hanno ancora bisogno di un essere umano che controlli il loro lavoro. Ma lo studio evidenzia un affascinante compromesso: a volte il robot che è più bravo a risolvere il mistero non è quello che spiega meglio il proprio ragionamento.

Il team conclude che affinché questi robot diventino veri partner in ospedale, dobbiamo istruirli su più dati provenienti da diversi ospedali e aiutarli a diventare ancora più bravi nel puntare l'esatta posizione della lesione. Fino ad allora, servono al meglio come un secondo paio di occhi utile, pronti a segnalare le fette sospette affinché il radiologo possa esaminarle più attentamente, assicurando che nessuna crepa nascosta passi inosservata.