Il progetto alla Città della Salute di Torino.
L’articolo apparso sul La Stampa “Coronavirus, l’arma per combatterlo è un nuovo algoritmo” descrive un progetto di intelligenza artificiale in sperimentazione alla Città della Salute di Torino per diagnosticare le polmoniti da Covid-19.
Le realtà Torinesi coinvolte sono, oltre alla Città della salute, il dipartimento di Informatica di Torino UNITO e Compagnia di Sanpaolo.
Abbiamo cercato di approfondire quali modelli vi sono oltre a quello sperimentato (Infervision) e quale è la dimensione dei training set utilizzati.
Lo Stanford Center for Artificial Intelligence in Medicine & Imaging raccoglie in modo ben organizzato diverse informazioni su dati, modelli, ricerche e pubblicazioni. Tra i dati ci sono anche la nostra Società Italiana di Radiologia Medica, IEEE e la solita Google.
I Modelli
– Il modello Infervision (quello di cui parla l’articolo) nasce basandosi su 5,000 casi confermati su 34 ospedali cinesi ed utilizzato per valutare 32.000 casi. Peraltro Infervision è una startup cinese in cui ha investito la famosa americana Sequoia Capital.
– Anche il mega-gruppo Alibaba ha un suo modello che si basa sempre su 5,000 casi confermati e dice di arrivare ad una accuratezza del 96%.
– C’è anche una interessante idea del Tianjin Medical Cancer Institute che sfrutta il “transfer learning” . In soldoni il “transfer learning” trasferisce l’apprendimento ottenuto su un ambito di applicazione e lo trasporta in un’altro ambito di applicazione tipicamente vicino (es: dalle auto ai tir) . Il Tianjin Medical ha utilizzato 1.065 immagini di casi COVID-19 insieme ad immagini di una tipica polmonite virale. Su questa base hanno creato l’algoritmo di “trasferimento” di domino.
In realtà anche Infervision parte da una esperienza nel diagnosticare il cancro ai polmoni,.
Deep Neural Networks e Transfer Learning
Le elaborazioni come il Transfer Learning sono nell’ambito delle DNN (Deep Neural Networks). Se si realizza un sistema per la visione artificiale con una DNN, al posto di effettuare il training della rete neurale da zero, è sovente più veloce e conveniente riutilizzare parti di reti già addestrate da usare come pre-training e trasferimento per una nuova rete.
Il Transfer Learning merita quindi di essere preso in considerazione per via del riutilizzo, a meno che non si disponga di dataset ampi e di una potenza di calcolo molto grande per addestrare tutto da zero.