Artificial Intelligence for chest imaging against COVID-19: an insight into image segmentation methods

La malattia da coronavirus 2019 (COVID-19) è emersa alla fine del 2019 e si è presto sviluppata come una pandemia che ha portato a una crisi sanitaria mondiale. L'esame di imaging del torace svolge un ruolo fondamentale nella gestione clinica e nella valutazione prognostica dei pazienti affetti da COVID-19, poiché i risultati patologici dell'imaging riflettono il processo infiammatorio dei polmoni. In particolare, grazie alla sua massima risoluzione, la tomografia computerizzata del torace è utile per distinguere i diversi pattern parenchimali e le manifestazioni della malattia. Vale la pena sottolineare che l'individuazione e la quantificazione di tali manifestazioni è un passo fondamentale per valutare l'impatto della malattia e seguirne la progressione o la regressione nel tempo. Tuttavia, l'ispezione visiva o, peggio ancora, la delimitazione manuale di tali manifestazioni può richiedere molto tempo e risultare eccessivamente faticosa per i radiologi, soprattutto quando sono pressati dalle urgenti necessità di cura dei pazienti. Gli strumenti di segmentazione delle immagini supportati dall'intelligenza artificiale possono ridurre sensibilmente il carico di lavoro dei radiologi in quanto possono automatizzare o, almeno, facilitare la delineazione delle lesioni patologiche e delle altre regioni di interesse per la valutazione della malattia. Questa delineazione pone le basi per ulteriori analisi diagnostiche e prognostiche basate sulle informazioni quantitative estratte dalle lesioni segmentate. Questo capitolo presenta una panoramica dei metodi di intelligenza artificiale per la segmentazione delle immagini di tomografia computerizzata del torace. L'attenzione è rivolta in particolare agli approcci di Deep Learning, divenuti ultimamente l'approccio principale alla segmentazione delle immagini. Viene inoltre presentato e valutato il contributo degli autori, che consiste in un nuovo metodo che sfrutta l'apprendimento automatico basato sull'attenzione. Infine, una discussione sulle potenzialità, i limiti e le sfide ancora aperte del settore conclude il capitolo.