VIT-DRN-OCAFF: An Optimized Cross-Attention Feature Fusion Framework for Multi- Class COVID-19 and Pulmonary Disease Diagnosis Using Thoracic CT Images

Il polmone umano è un organo complesso e delicato e, quando si ammala, i segni possono essere sottili e facilmente confondibili. Una tosse, una febbre o una sensazione di mancanza di respiro potrebbero segnalare una comune infezione virale, una polmonite batterica o una condizione più grave come il COVID-19. Per i medici, distinguere tra queste cause è fondamentale, eppure i sintomi spesso si sovrappongono, rendendo una diagnosi rapida e accurata una sfida significativa. Per vedere all'interno del torace senza chirurgia, i professionisti medici si affidano alla tomografia computerizzata, o scansioni TC, che creano immagini dettagliate in sezione trasversale dei polmoni. Queste immagini rivelano la consistenza del tessuto polmonare, mostrando aree di infezione, fluido o infiammazione. Tuttavia, leggere migliaia di queste scansioni è un pesante onere per i radiologi, e le differenze visive tra malattie simili possono essere così lievi che persino gli esperti potrebbero perdere un dettaglio cruciale o identificare erroneamente la causa.

Negli ultimi anni, i computer hanno iniziato ad assistere in questo compito, utilizzando l'intelligenza artificiale per imparare l'aspetto delle diverse malattie su una scansione. I primi tentativi utilizzavano strumenti standard di riconoscimento delle immagini, ma questi spesso faticavano a vedere il quadro generale di come una malattia si diffonde attraverso il polmone, pur notando contemporaneamente i piccoli punti specifici dove l'inzione è più attiva. Un nuovo studio propone un modo più avanzato per insegnare a un computer come leggere queste scansioni, combinando due diversi modi di osservare l'immagine per creare un quadro più chiaro della malattia. I ricercatori miravano a costruire un sistema che potesse non solo dire se un paziente è malato, ma anche individuare esattamente il tipo di malattia, che si tratti di COVID-19, polmonite virale, polmonite batterica o altri problemi polmonari non virali.

I ricercatori hanno sviluppato un nuovo framework informatico progettato per agire come una coppia di occhi esperti che lavorano insieme. Una parte del sistema è addestrata per guardare l'intera immagine del polmone in una volta sola, comprendendo i modelli generali di come un'infezione possa diffondersi attraverso l'organo. Questa parte è brava a vedere la "foresta", riconoscendo la forma generale e la distribuzione della malattia. La seconda parte del sistema si concentra intensamente sui piccoli dettagli, facendo uno zoom per trovare le texture e i bordi specifici delle aree infette, come gli "alberi" in quella foresta. Da sola, la prima parte potrebbe perdere un piccolo ma critico punto di infezione, e la seconda parte potrebbe perdersi nei dettagli senza comprendere il contesto generale. L'innovazione in questo studio risiede nel modo in cui queste due parti sono collegate. I ricercatori hanno creato un meccanismo speciale che permette ai due sistemi di comunicare tra loro, controllando e raffinando costantemente ciò che vedono. Questo processo assicura che il computer dia priorità alle caratteristiche più importanti per la diagnosi, ignorando il rumore irrilevante o i modelli confondenti che non aiutano a identificare la malattia.

Per testare questo nuovo approccio, il team ha raccolto una collezione massiccia di scansioni polmonari, per un totale di quasi 25.000 immagini. Queste immagini provenivano da database medici pubblici e da ospedali in India, coprendo una vasta gamma di pazienti e gravità delle malattie. Il dataset includeva scansioni di persone con COVID-19 confermato, polmonite virale, polmonite batterica e persone con altre anomalie polmonari non causate da un virus. Prima che il computer potesse imparare da queste immagini, i ricercatori le hanno accuratamente pulite e preparate. Hanno rimosso le parti non necessarie del corpo dalle scansioni, hanno regolato la luminosità e il contrasto per far risaltare le aree infette e hanno levigato qualsiasi rumore granuloso che potesse confondere il sistema. Questa preparazione ha garantito che il computer imparasse dai segni reali della malattia piuttosto che da artefatti causati dalla macchina di scansione.

Il computer è stato quindi addestrato su una grande porzione di queste immagini, imparando a riconoscere le firme uniche di ogni malattia. Una volta completato l'addestramento, il sistema è stato testato su un set separato di immagini che non aveva mai visto prima, per vedere come potesse comportarsi in uno scenario reale. I risultati sono stati straordinariamente alti. Il sistema ha identificato correttamente il tipo di malattia polmonare con un AUC di 0,99. È stato particolarmente bravo nell'evitare falsi allarmi, identificando correttamente polmoni sani o condizioni non patologiche quando erano presenti, e raramente ha mancato un vero caso di infezione. Quando i ricercatori hanno analizzato le prestazioni per tipo di malattia, il sistema ha eccelso nel distinguere il COVID-19 da altre infezioni, raggiungendo una precisione quasi perfetta. Ha anche performato con forza nel separare la polmonite virale dalla polmonite batterica, due condizioni che sono spesso difficili da distinguere anche per i medici umani.

Per capire perché questo nuovo sistema funzionasse così bene, i ricercatori lo hanno confrontato con i metodi più vecchi. Hanno testato strumenti standard di computer vision, modelli di deep learning tradizionali e persino altri sistemi avanzati che utilizzavano solo uno dei due approcci descritti sopra. I metodi più vecchi, pur essendo migliori del semplice indovinare a caso, sono costantemente rimasti al di sotto, con tassi di accuratezza compresi tra la metà degli anni 80 e l'alta fascia degli anni 90 per cento. Il nuovo sistema, che ha combinato la visione ampia e la visione dettagliata con il suo speciale collegamento di comunicazione, ha superato tutti loro. Lo studio ha anche dimostrato che il sistema è efficiente, elaborando le immagini abbastanza velocemente da essere utile in un ospedale trafficato senza richiedere un eccessivo potere di calcolo.

I ricercatori non si sono fermati ai soli numeri; hanno anche osservato come il sistema "vedeva" le immagini. Hanno confrontato le aree che il computer evidenziava come infette rispetto alle reali aree infette segnate dai medici umani. Il focus del computer corrispondeva ai risultati degli esperti umani con alta precisione, identificando correttamente i confini dell'infezione e le texture specifiche associate a ciascuna malattia. Questo livello di accordo suggerisce che il sistema non sta solo indovinando basandosi su schemi, ma sta effettivamente imparando le caratteristiche visive delle malattie. Lo studio conclude che questo nuovo framework offre uno strumento altamente affidabile per diagnosticare le malattie polmonari dalle scansioni TC. Combinando una comprensione ampia della condizione del polmone con un focus acuto sulle specifiche lesioni, il sistema fornisce un livello di accuratezza che potrebbe aiutare significativamente i medici nel prendere decisioni più rapide e sicure per i loro pazienti. Sebbene lo studio sia stato condotto su un set specifico di dati, i risultati suggeriscono un potente passo avanti nell'uso dell'intelligenza artificiale per supportare la diagnosi delle malattie respiratorie.