FOVEA: Occhi Aperti sull’Intelligenza Artificiale in Sala Operatoria!

Ragazzi, parliamoci chiaro: il mondo della medicina sta facendo passi da gigante, e l’intelligenza artificiale (IA) è una delle protagoniste assolute di questa rivoluzione. Oggi voglio parlarvi di qualcosa di veramente affascinante che tocca da vicino l’oftalmologia, la branca che si occupa dei nostri preziosissimi occhi. Immaginate la difficoltà per un chirurgo di orientarsi con precisione millimetrica all’interno di un occhio durante un intervento. Certo, ci sono strumenti incredibili, ma avere un “navigatore” super intelligente che aiuta a riconoscere le strutture fondamentali come vasi sanguigni e nervo ottico, sia prima che *durante* l’operazione… beh, sarebbe fantastico, no?

Ecco che entra in gioco FOVEA. No, non è il nome di un supereroe (anche se un po’ lo è!), ma l’acronimo di un progetto pazzesco: “retinal Fundus images with Optic disc and retinal VEssel Annotations”. Si tratta di un dataset, ovvero una raccolta organizzata di dati, che per la prima volta mette insieme immagini della retina di altissima qualità scattate *prima* dell’intervento chirurgico con quelle catturate *durante* l’operazione stessa. E non finisce qui: queste immagini sono accompagnate da “mappe” dettagliatissime, create da esperti, che evidenziano i vasi sanguigni retinici e il disco ottico (la testa del nervo ottico).

Cos’è Esattamente FOVEA?

Pensate a FOVEA come a un album fotografico super avanzato per l’IA. Contiene dati provenienti da 40 pazienti, raccolti presso il rinomato Moorfields Eye Hospital di Londra. La cosa speciale è che per ogni paziente abbiamo:

• Immagini a colori del fondo oculare scattate prima dell’intervento (preoperatorie).
• Brevi video clip della retina ripresi durante l’intervento di chirurgia vitreoretinica (intraoperatori), utilizzando sofisticati microscopi chirurgici.
• Annotazioni precise del disco ottico e dei vasi retinici sia sulle immagini preoperatorie che su specifici fotogrammi selezionati dai video intraoperatori.

Queste annotazioni non sono state fatte da una persona qualsiasi, ma da due ricercatori clinici indipendenti, che hanno seguito un protocollo rigoroso per garantire la massima accuratezza. E per rendere il tutto utilizzabile dai modelli di IA, queste “mappe disegnate” sono state trasformate in maschere di segmentazione binarie (immagini in bianco e nero dove il bianco indica la struttura di interesse e il nero tutto il resto). Il codice usato per questa trasformazione è pure disponibile su GitHub, a dimostrazione della trasparenza del progetto!

Perché è Così Speciale? Il Problema dei Dati Intraoperatori

Vi chiederete: “Ma non esistevano già raccolte di immagini della retina?”. Certo! Ci sono dataset famosi come STARE, DRIVE, CHASE_DB1, FIVES, ORIGA… ma hanno tutti una cosa in comune: contengono solo immagini preoperatorie. Il vero campo di battaglia, la sfida più grande, è l’ambiente intraoperatorio.

Durante un intervento, le immagini sono molto più variabili: l’illuminazione può cambiare, possono esserci riflessi, strumenti chirurgici che passano nel campo visivo, movimenti… Insomma, è un contesto molto più “rumoroso” e complesso per un algoritmo di IA. Finora, la mancanza di dati intraoperatori annotati di alta qualità ha frenato lo sviluppo di sistemi di supporto intelligenti per i chirurghi.

FOVEA colma proprio questo vuoto. È il primo dataset a fornire annotazioni di alta qualità sia per le immagini preoperatorie che per quelle intraoperatorie, provenienti dagli stessi pazienti. Questo apre scenari incredibili:

• Miglior Orientamento Chirurgico: L’IA può imparare a riconoscere i punti di riferimento chiave sulla retina anche nelle difficili condizioni intraoperatorie.
• Registrazione Multimodale: Si possono allineare le informazioni delle immagini preoperatorie (magari più dettagliate o provenienti da altri strumenti come l’OCT) con la vista in tempo reale durante l’intervento.
• Realtà Aumentata in Sala Operatoria: Immaginate il chirurgo che vede, attraverso il microscopio o visori speciali, informazioni aggiuntive sovrapposte direttamente sul campo operatorio. Non solo per l’addestramento, ma durante procedure reali!
• Supporto a Strumenti Robotici: Sistemi robotici avanzati potrebbero usare questa capacità di visione computerizzata per navigare con ancora più precisione.

Dietro le Quinte: Come Nasce FOVEA

Creare un dataset come FOVEA non è una passeggiata. C’è stato un lavoro enorme dietro le quinte. Tutto è iniziato raccogliendo dati tra il 2017 e il 2021 da pazienti adulti consenzienti sottoposti a vitrectomia (un tipo comune di intervento alla retina) al Moorfields.

Poi, c’è stata una fase di selezione rigorosa: sono state scartate le immagini di qualità non ottimale (sfocate, male illuminate) e quelle di pazienti con patologie particolari che avrebbero reso le immagini poco rappresentative (come la coroideremia o la foveoschisi miopica). Alla fine, sono rimasti i dati di 40 pazienti.

Per le immagini intraoperatorie, da ogni video iniziale di 30 secondi è stato scelto il fotogramma migliore: quello con la più ampia area di retina visibile, con meno artefatti (sfocature, strumenti, ombre) e con la migliore illuminazione possibile.

La fase di annotazione è stata meticolosa. I due esperti hanno usato un iPad Pro con Apple Pencil e l’app Procreate (un editor grafico). Hanno seguito regole precise: identificare il disco ottico e delinearlo completamente; seguire i vasi sanguigni dal loro punto di emergenza sul nervo ottico lungo tutto il loro percorso, comprese le ramificazioni, annotando l’intero spessore del vaso. Curiosità: dopo uno studio pilota, si è deciso di farli lavorare sul canale verde dell’immagine a colori, perché aiuta a evidenziare meglio i vasi retinici rispetto a quelli coroideali sottostanti. Ogni annotazione richiedeva circa un’ora per immagine per ciascun clinico!

Infine, le annotazioni “grezze” (che avevano sfumature dovute alla pressione della matita) sono state processate per ottenere maschere binarie pulite. Qui c’è stata un’intuizione geniale: per evitare di perdere piccoli vasi (che venivano disegnati con un tratto leggero e rischiavano di scomparire con una semplice sogliatura) e allo stesso tempo eliminare piccoli tocchi accidentali della matita, hanno combinato una maschera ottenuta con una soglia standard (0.5) con lo “scheletro” (la linea centrale) di una maschera ottenuta con una soglia più bassa (0.1). Il risultato? Maschere binarie continue e pulite. Geniale, vero?

Cosa Troviamo nel “Tesoro” di FOVEA?

Il dataset FOVEA, scaricabile liberamente da figshare, contiene ben 601 file:

• 40 immagini preoperatorie a colori del fondo oculare (RGB).
• 40 video clip intraoperatori a colori (RGB).
• 40 immagini intraoperatorie a colori (un fotogramma per video clip).
• 160 annotazioni “grezze” (una per ciascuno dei 2 annotatori, per ognuna delle 80 immagini totali – contengono l’annotazione dei vasi, del disco ottico e il canale verde usato).
• 320 maschere di annotazione binarie (una per i vasi e una per il disco ottico per ogni annotazione grezza).
• Un file metadata (JSON) con informazioni tecniche (frame rate, risoluzione, patologia principale, indice del fotogramma intraoperatorio).

I nomi dei file seguono uno schema logico che permette di identificare subito il paziente (da FOVEA001 a FOVEA040), il dominio (p = preoperatorio, i = intraoperatorio), il tipo di file (img, vid, raw, ve = vessel, od = optic disc) e l’annotatore (1 o 2).

Mettere FOVEA alla Prova: L’Intelligenza Artificiale Impara a Vedere

Ok, abbiamo questo dataset fantastico, ma funziona? Per dimostrarne il valore, i ricercatori hanno fatto un esperimento molto interessante: hanno preso un modello di IA potentissimo e generico chiamato SAM (Segment Anything Model) e lo hanno “addestrato” specificamente sul dataset FOVEA per riconoscere i vasi retinici. Hanno usato una tecnica chiamata “fine-tuning”, che adatta un modello pre-esistente a un compito specifico.

I risultati sono stati incoraggianti! Hanno testato diverse configurazioni: addestrando e testando solo su dati intraoperatori, solo su preoperatori, o cercando di trasferire la conoscenza da un dominio all’altro. Hanno anche provato diverse funzioni matematiche (loss functions) per ottimizzare l’apprendimento (la Lovász-Softmax si è rivelata particolarmente efficace).

Alcune scoperte chiave:

• Come previsto, addestrare e testare sullo stesso dominio (es. intraoperatorio su intraoperatorio) dà i risultati migliori.
• Le performance sulle immagini intraoperatorie sono generalmente inferiori a quelle preoperatorie, riflettendo la maggiore difficoltà del compito (confermato anche dalla minore concordanza tra i due annotatori umani su queste immagini).
• Gestire le dimensioni delle immagini è importante: ridimensionare le immagini preoperatorie (più grandi) per farle assomigliare di più a quelle intraoperatorie in termini di scala delle strutture ha migliorato i risultati quando si addestrava su dati intraoperatori.
• Incredibilmente, anche addestrando il modello su una sola immagine intraoperatoria si ottengono risultati utilizzabili sulle altre 39! Questo dimostra la potenza dei modelli “fondamentali” pre-addestrati e il valore anche di poche annotazioni di alta qualità in un nuovo dominio.
• Usare entrambe le annotazioni disponibili per ogni immagine durante l’addestramento (scegliendo casualmente quale usare ad ogni passo) migliora ulteriormente le performance, probabilmente perché introduce più varietà e riduce il rischio che il modello “impari a memoria” le caratteristiche di una singola annotazione (overfitting).

Questi esperimenti non solo validano l’utilità di FOVEA, ma stabiliscono anche una base di riferimento (baseline) per futuri lavori che utilizzeranno questo dataset.

Guardando al Futuro (e Qualche Avvertenza)

FOVEA è una vera manna dal cielo per chi sviluppa IA per l’oftalmologia chirurgica. Apre la porta a sistemi di supporto più intelligenti, sicuri ed efficaci. Potrebbe davvero contribuire a migliorare gli esiti chirurgici e l’esperienza dei pazienti.

Ovviamente, come per ogni set di dati, bisogna essere consapevoli dei limiti. I dati provengono da un singolo ospedale e da un gruppo relativamente piccolo di pazienti. Potrebbero esserci differenze se si applicassero i modelli addestrati su FOVEA a dati provenienti da altri ospedali, con popolazioni di pazienti diverse o attrezzature leggermente differenti. È la sfida della “generalizzazione”, sempre presente nell’IA.

Tuttavia, il rilascio pubblico di FOVEA, con le sue annotazioni uniche e di alta qualità che collegano il mondo preoperatorio a quello intraoperatorio, è un passo avanti importantissimo. Sono davvero curioso di vedere quali incredibili applicazioni nasceranno grazie a questo lavoro!

Fonte: Springer