Le Deep Neural Network (DNN, reti neurali profonde) sono una parte importante del Machine Learning, applicata a vari settori, dalla computer vision, all’image processing, dalla biologia, alla fisica, finanza, neuroscienze e ingegneria. In particolare, la realizzazione da parte di Moxoff di un algoritmo di DNN è risultata essenziale nella diagnostica clinica per permettere l’identificazione di lesioni tumorali all’interno di immagini ecografiche del fegato.
Ne parliamo con il professor Alfio Quarteroni, matematico e accademico del Politecnico di Milano e fondatore e presidente di MOXOFF.
Cos’è una Rete Neurale Artificiale?
Una Rete Neurale Artificiale è costituita da neuroni artificiali che, sulla base di input precisi, eseguono specifiche operazioni, semplificate in: moltiplicazione degli input per dei pesi (weights), somma dei fattori tra loro e sottrazione di una costante (bias). Il risultato così ottenuto, una volta processato da una funzione non lineare (detta funzione di attivazione) che evoca il comportamento non lineare, o di cut-off, dei neuroni biologici – spiega il professor Quarteroni -, viene poi trasmesso a cascata ad altri neuroni che sono, nella maggior parte dei casi, organizzati in strati (layers). Al primo strato viene inviato l’input del modello, ad esempio, i pixel di una foto, che attraverso semplici calcoli, viene trasformato e poi passato al layer successivo, fino a raggiungere, trasformazione dopo trasformazione, il layer finale. I neuroni dell’ultimo layer forniscono l’output della rete neurale che, nel caso della foto usata, ad esempio, fornirà una descrizione testuale del contenuto della foto, mentre nel caso della diagnostica per immagini permetterà, ad esempio, di identificare la presenza di una lesione epatica.
Come si addestrano i neuroni della rete artificiale?
Le DNN, pur essendo a priori strumenti matematici general purpose, sono state sviluppate soprattutto per la object image detection, cioè per l’identificazione di oggetti specifici all’interno di immagini e foto. Una DNN può utilizzare da pochi fino a centinaia di migliaia di layers di neuroni per imparare a determinare correttamente gli oggetti contenuti in una immagine. Il suo addestramento (training) è finalizzato a determinare i parametri che la caratterizzano, ed è reso possibile grazie all’uso di un set di dati (le immagini, nella fattispecie) (il training dataset) – prosegue il matematico co-fondatore di Moxoff -. Il modello di apprendimento intende simulare quello del cervello biologico per arrivare alla soluzione di uno specifico problema: detto in modo iper-semplificato, attivando i propri neuroni biologici e le relative connessioni neurali consentendo, a ciascun di noi, contemporaneamente, di ragionare, fare calcoli, riconoscere suoni, parole, immagini, oggetti, apprendere e agire. Possiamo dunque affermare che una DNN surroga questo processo biologico di straordinaria complessità grazie a modelli di calcolo matematico costituiti da interconnessioni di informazioni che, organizzati in layer gerarchici di crescente complessità e astrazione, permettono di attingere complessi livelli di astrazione.
Durante il processo di apprendimento, si procede alla correzione dei parametri in funzione dell’obiettivo (ad esempio, la risposta al quesito: identificare una lesione tumorale del fegato e non una qualsiasi lesione del fegato), procedendo a correggere la discrepanza fra output osservati e output ottenuti in corrispondenza degli input del training dataset. Nel caso specifico, per la DNN realizzata per la rilevazione di lesioni epatiche, il dataset di training era costituito da circa 67 mila immagini, da 223 esami e per ogni esame da circa 300 frames.
Utilizzando la DNN, Moxoff ha quindi addestrato un algoritmo derivante dalla computer vision e applicato all’immagine ecografica del fegato, per rilevare tutte le probabili lesioni epatiche (object detection), evidenziarle all’interno di quadrati in modo che il medico le possa vedere chiaramente durante l’esame, rimuovere gli oggetti falsamente evidenziati (bias) come lesioni, e “tenere a mente” la posizione della lesione durante tutti i movimenti della sonda ecografica (object tracking) e nei movimenti involontari del paziente, come ad esempio quelli dovuti alla respirazione.
Moxoff e la Deep Neural Network
Una rete neurale di fatto è un sistema “adattivo” in grado di modificare la sua struttura sulla base di input (dati esterni) e informazioni interne apprese che si connettono e passano attraverso la rete neurale durante la fase di Deep Learning, layer dopo layer.
In futuro, l’algoritmo di neural network computer vision applicato da Moxoff alla diagnostica per immagini, adeguatamente istruito con un dataset specifico, potrebbe essere utilizzato anche per distinguere i vari tipi di lesione tumorale e per dare la classificazione del tumore (primitivo o secondario, ad esempio) con un semplice esame ecografico.
Contattaci per ricevere ulteriori informazioni
