Applicazioni di deep learning per CAD mammografico

Il tumore alla mammella è ad oggi una delle principali cause di mortalità femminile e, sebbene attualmente la medicina offra una buona possibilità di guarigione, l'arma più potente contro questa particolare neoplasia è la prevenzione, svolta in particolare tramite programmi di screening mammografici sui pazienti in fasce d'età a rischio. Dall'esigenza di massimizzare l'efficenza di tali pratiche nascono i CAD (Computer Assisted Diagnosis), pacchetti software in grado di affiancare lo specialista nell'analisi del referto medico aiutandolo ad identificare e localizzare la patologia. I moderni CAD si basano sulle tecniche più avanzate di machine learning. In questo lavoro si discuterà della nuova rete CaffeNet_MAMMO, un prototipo di sistema CAD, basato su reti neurali a convoluzione (CNN) e del suo addestramento sul database MiniMIAS. Una delle caratteristiche peculiari del metodo qui illustrato è la capacità di fornire risultati comparabili ad altri metodi CAD basati su classificatori CNN monostato (pur rimanendo al di sotto dei prodotti commerciali) nonostante l'addestramento sia stato svolto su un database di ridotte dimensioni, normalmente insufficiente per dare risultati accettabili su siffatta architettura. Il metodo proposto risulta estremamente promettente, portando a un classificatore con un'efficienza AUC pari a 0.68 +- 0.08, con una specificità e una sensibilità fino al 70% , che corrisponde alla fascia alta dei classificatori appartenenti alla stessa famiglia. Viene altresì proposta una bozza di algoritmo di localizzazione della patologia, il quale, sebbene lontano dagli standard di riferimento, riesce ad identificare con sufficiente precisione le patologie presenti nelle immagini proposte. Tuttavia l'algoritmo di localizzazione presenta una specificità insufficiente per un'applicazione sul campo allo stato attuale, risultando comunque un interessante punto di partenza per futuri lavori.