3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

Ogni anno, milioni di persone in tutto il mondo soffrono di ictus, un'improvvisa interruzione del flusso sanguigno al cervello che può portare alla morte o a disabilità a lungo termine. Quando si verifica un ictus, il tempo è il fattore più critico. I medici si affidano alla risonanza magnetica nucleare, o MRI, per vedere esattamente dove è avvenuto il danno. Queste scansioni producono immagini tridimensionali dettagliate del cervello, consentendo ai medici di localizzare il tessuto danneggiato, noto come lesione. Per trattare efficacemente il paziente, i medici devono misurare la dimensione e la forma di quest'area danneggiata con precisione. Tuttavia, farlo a mano su uno schermo di un computer è lento, tedioso e incline all'errore umano, specialmente quando le aree danneggiate sono minuscole o sparse.

Negli ultimi anni, i computer hanno imparato a svolgere questo lavoro automaticamente. Utilizzando un tipo di intelligenza artificiale chiamato deep learning, le macchine possono ora scansionare le immagini cerebrali e mettere in evidenza le aree danneggiate in pochi secondi. Ma c'è un problema significativo nel modo in cui questi computer lavorano attualmente. Agiscono come esperti sicuri di sé che non ammettono mai di essere incerti. Quando un computer disegna un confine attorno a un ictus, fornisce una risposta singola e definitiva senza dire al medico se ne è assolutamente sicuro o se sta solo tirando a indovinare. In un contesto medico, questa mancanza di onestà è pericolosa. Un medico ha bisogno di sapere non solo dove il computer pensa che si trovi il danno, ma anche dove il computer è esitante, in modo da poter ricontrollare quei punti specifici prima di prendere decisioni di vita o di morte.

Un team di ricercatori dell'Università Sidi Mohamed Ben Abdellah in Marocco ha sviluppato un nuovo modo per risolvere questo problema. Hanno creato un sistema che non solo trova l'ictus, ma dice anche al medico quanto è fiducioso nel proprio lavoro. Il loro approccio combina un potente modello informatico progettato per vedere l'intero cervello in una volta sola con un trucco ingegnoso che permette al modello di "pensare" alla stessa immagine in modi leggermente diversi. Confrontando questi diversi pensieri, il sistema può mappare esattamente quali parti dell'immagine sono chiare e quali sono confuse. Ciò consente al computer di consegnare al medico una mappa dell'ictus insieme a una mappa separata che mostra dove il computer è incerto, trasformando un semplice strumento automatizzato in un partner affidabile per il processo decisionale medico.

I ricercatori hanno testato il loro nuovo sistema su una vasta collezione di scansioni cerebrali provenienti da una grande sfida internazionale che coinvolgeva centinaia di pazienti provenienti da diversi ospedali. Queste scansioni includevano due tipi specifici di immagini che sono il gold standard per individuare gli ictus acuti: una che mostra dove il movimento dell'acqua nel cervello è bloccato, e un'altra che misura quanto facilmente l'acqua può muoversi attraverso il tessuto. Il team ha addestrato il loro computer a guardare l'intero volume tridimensionale del cervello piuttosto che limitarsi a dividerlo in immagini bidimensionali piatte. Questo è fondamentale perché gli ictus hanno spesso forme complesse e irregolari che si estendono attraverso più strati del cervello, e osservare l'intero volume aiuta il computer a comprendere la vera struttura della lesione.

Per rendere il sistema consapevole della propria fiducia, i ricercatori hanno utilizzato una tecnica chiamata Monte Carlo Dropout. In termini semplici, questo comporta il mantenimento di un piccolo interruttore acceso all'interno del cervello del computer durante l'analisi finale. Normalmente, questo interruttore viene spento una volta che il computer è stato addestrato, ma qui, lo hanno lasciato acceso. Questo interruttore spegne casualmente piccole parti del processo di pensiero del computer ogni volta che guarda un'immagine. Poiché il computer vede la stessa immagine attraverso "lenti" leggermente diverse ogni volta, produce una risposta leggermente diversa per ogni singolo sguardo. I ricercatori hanno chiesto al computer di guardare ogni scansione cerebrale venti volte. Facendo la media di queste venti diverse risposte, il computer ha creato un'immagine finale, più accurata, dell'ictus. Più importante ancora, guardando quanto queste venti risposte discordessero tra loro, il computer poteva calcolare un punteggio di incertezza per ogni singolo punto dell'immagine.

I risultati hanno dimostrato che questo metodo funziona su due livelli. Primo, il computer è diventato più bravo a trovare l'ictus. Utilizzando un tipo specifico di meccanismo di attenzione che ha insegnato al modello a concentrarsi sulle parti più importanti dell'immagine e a ignorare il tessuto cerebrale sano, il sistema ha migliorato la sua capacità di rilevare le aree danneggiate. Ha trovato più tessuto di ictus reale rispetto ai metodi precedenti, il che è vitale perché perdere anche un piccolo pezzo di tessuto cerebrale danneggiato può portare a una cattiva pianificazione del trattamento. Il sistema ha ottenuto un punteggio di 0,6816 nella misurazione di quanto bene il suo contorno corrispondesse al vero danno, che è stato il miglior risultato tra i metodi a modello singolo testati su questo specifico dataset.

Secondo, e forse più importante, il sistema ha generato con successo le mappe di incertezza. I ricercatori hanno scoperto che quando il computer era fiducioso, i suoi venti sguardi concordavano tutti, risultando in un punteggio di incertezza basso. Quando il computer era incerto, i venti sguardi variavano significativamente, creando un punteggio di incertezza alto. Questi punteggi elevati apparivano esattamente dove il computer commetteva errori: ai bordi sfumati dell'ictus o in lesioni molto piccole e difficili da vedere. Il sistema segnalava naturalmente i casi di ictus più piccoli e complessi come i più incerti. Ciò significa che in un vero ospedale, un medico potrebbe guardare la mappa del computer e vedere immediatamente un'area di incertezza intorno a un punto difficile, sapendo che è esattamente quel posto che deve esaminare attentamente.

Lo studio ha anche confrontato il loro modello informatico singolo con altri sistemi che utilizzano molti modelli diversi che lavorano insieme, noti come ensemble. Sebbene quei grandi gruppi di modelli raggiungessero talvolta un'accuratezza leggermente superiore, non fornivano alcuna informazione sulla fiducia. Erano ancora delle scatole nere che davano una singola risposta senza spiegazioni. Il nuovo sistema del team marocchino è unico perché è il primo a fornire una mappa di fiducia dettagliata, punto per punto, per la segmentazione dell'ictus tridimensionale su questo benchmark. Dimostra che un singolo modello ben progettato può essere sia accurato che onesto riguardo ai propri limiti.

Questo lavoro rappresenta un passaggio dal trattare l'intelligenza artificiale come una scatola magica che semplicemente produce un risultato al trattarla come uno strumento che comunica il proprio ragionamento. I ricercatori hanno dimostrato che, permettendo al computer di esprimere la propria incertezza, non hanno dovuto sacrificare l'accuratezza. In effetti, il metodo ha migliorato il rilevamento dei piccoli ictus senza richiedere tempi di addestramento extra o cambiamenti complessi all'architettura sottostante. Il sistema è pronto per essere utilizzato in un flusso di lavoro in cui il computer svolge il lavoro pesante di scansione dell'immagine e il medico si concentra sulla sua esperienza solo nelle aree in cui il computer è incerto. Questa partnership assicura che la velocità dell'automazione sia combinata con la sicurezza della supervisione umana, un passo necessario per portare queste tecnologie negli ospedali reali per aiutare i pazienti a guarire da un ictus.