Con l’emergenza pademica da coronavirus molte aziende nel mondo convertono la propria produzione per contribuire in modi diversi all’arresto della pandemia. Moltissime aziende hanno iniziato a produrre per la prima volta nella loro storia DPI e respiratori. Anche i programmatori possono offrire il loro contributo dalla scrivania grazie a numerosi progetti di intelligenza artificiale. Di seguito sono illustrati alcuni progetti basati sullo studio di immagini a raggi X per classificare la presenza di Covid-19.
Oltre all’azienda Alibaba sono moltissimi gli informatici che provano diversi algoritmi e reti neurali per dare un contributo nella ricerca. Alternativamente si può donare anche il proprio hardware per accelerare i processi di ricerca grazie al progetto FlodingHome.
Nelle ultime settimane sono presenti nel web diversi progetti che riguardano l’analisi di radiografie polmonari per classificare la presenza del Covid-19. Come spiegato dagli stessi creatori, questi non sono metodi diagnostici ma puramente didattici e teorici.
Perchè non sono metodi diagnostici? Per il semplice fatto che i creatori non sono medici e le diagnosi per coronavirus sono effettuate su diversi aspetti. Inoltre non si può veramente capire quali siano i parametri presi dalla rete per classificare i casi di Covid-19 solamente da immagini di raggi X, come affermato dai creatori, potrebbero essere coincidenze o addirittura riconoscere parametri di altre malattie.
Il dataset utilizzato da entrambi i progetti è prodotto da un dottorando dell’Università di Montreal e presente su GitHub. In questo dataset sono presenti radiografie polmonari di soggetti sani e affetti da SARS, MERS e polmonite. Per avere risultati migliori sarebbe opportuno avere più radiografie fornite dagli ospedali. Chiaramente in questo momento non è possibile impegnare le strutture ospedaliere nella digitalizzazione delle radiografie.
Nel progetto sono state utilizzate 25 immagini Covid-19 positive e 25 immagini di soggetti sani. Tutte le immagini sono state elaborate in RGB, ridimensionate a 224×244 e un rescaling dei pixel tra 0 e 1. Successivamente, per garantire la generalizzazione del modello, sono state ruotate di 15° in senso orario e antiorario.
La rete neurale utilizzata in questo esperimento è VGGNet a 3×3 layer convoluzionali. I pesi utilizzati sono quelli addestrati sul dataset di ImageNet. Bloccando il layer FC utilizzato nella fase di train, consente di rilevare configurazioni globali. Infine è presente un layer iniziale fully connected per il pooling dei dati.
Una volta valutato il modello su una breve porzione di test, si è passati alla fase di test vera e propria che ha dato buoni risultati. Il covid detector ha infatti apportato un’accuratezza di 90-92%, 100% di sensitivity e 80% di specificity. L’accuratezza sui Covid positivi è stata del 100% mentre sui Covid negativi dell’80%.
Quest’ultimo dato ha una notevole importanza poiché non è possibile non identificare un caso Covid perché comporterebbe un grande costo di vite.
In questo progetto sono presenti 56 immagini per casi di covid e 56 per soggetti sani. Gli algoritmi di elaborazione sono selezionati tra quelli presenti per la computer vision in Tensorflow e Keras, non indicati nel progetto.
La rete neurale utilizzata è la Mobile Net V1, una rete convoluzionale a basso carico computazionale utilizzata spesso su dispositivi mobile. La rete è solitamente utilizzata per classificazioni, localizzazioni, embedding e segmentazioni.
A questa rete è stato aggiunto un layer fully connected per evitare di riaddestrarla da zero. Questa struttura ha prodotto buoni risultati, infatti sono state classificate correttamente 22/23 immagini di test. La rete non è andata in overfitting, non sono presenti falsi posisitivi ma una precisione del 100%.
Infine è importante sottolineare nuovamente come i metodi di analisi di immagini a raggi X per classificare la presenza di Covid-19 siano fatti solo a scopo illustrativo delle tecniche e non come strumento diagnostico attualmente utilizzabile. Per chi è interessato alla Computer Vision segnaliamo i seguenti libri
[amazon box = “B07SMQGX48, B0867KCQW4,B085P1HWPM, B07DTDXWBV”]