Sviluppo di un algoritmo basato su reti neurali convoluzionali per la predizione di positività al Covid-19 e relativa severità in scansioni TC = Convolutional neural network based algorithm for Covid-19 positivity prediction and its severity in CT scans

Dalla sua rilevazione iniziale nel 2019 a Wuhan, in Cina, il Covid-19 si è diffuso rapidamente in tutto il mondo, modificando l'ordine socio-economico e demografico mondiale. I metodi tradizionalmente utilizzati per la diagnosi sono il test RT-PCR o il tampone antigenico rapido, ma richiedono del tempo per essere processati e forniscono talvolta risultati con bassa precisione. Per tale motivo, l’analisi di immagini radiografiche, ed in particolare le TC, forniscono un quadro dettagliato delle condizioni polmonari ed assistono i radiologi nella diagnosi di Covid-19. Tuttavia, le scansioni TC di una persona contengono centinaia di slices e, in tal senso, le tecniche di intelligenza artificiale di classificazione dei volumi polmonari potrebbero assistere i radiologi per una più rapida e precisa rilevazione dell'infezione. Questo progetto di tesi utilizza algoritmi di deep learning basati su reti neurali convoluzionali (CNN), addestrate per identificare i pazienti positivi all’infezione e con forma grave di Covid-19 ad un mese, su un campione pubblicamente accessibile di scansioni TC dello STOIC dataset, il più grande dataset di immagini di tomografia computerizzata (TC) di pazienti con COVID-19 e pazienti sani. Il dataset prevede la distinzione in tre classi: pazienti Covid-19 positivi in forma lieve, pazienti Covid-19 positivi in forma grave e pazienti sani. Sono stati addestrati, mediante il metodo del transfer learning, diverse reti di classificazione, fornendo loro in input le immagini opportunamente pre-processate. In particolare, dal dataset iniziale, denominato Dataset 1, è stato ottenuto un secondo dataset, denominato Dataset 2, costituito dalle slices con il polmone segmentato e su ciascuno di questi due dataset sono stati condotti gli allenamenti dei classificatori. Il classificatore addestrato definisce, per ciascuna slice delle scansioni, delle previsioni che vengono quindi combinate, mediante tecniche di post-processing, per classificare i pazienti in una delle tre classi sopracitate. Per la valutazione delle performance, così come utilizzato dalla Challenge, si utilizza come metrica primaria l’AUC severity che quantifica la capacità discriminatoria della gravità dei pazienti ad un mese; in secondo luogo, si utilizza l’AUC positivity come metrica secondaria, per definire la capacità della rete di classificare i pazienti positivi all’infezione da quelli sani. È stata poi testata una soluzione che ha ottenuto risultati migliori rispetto ai singoli modelli, la quale prevede la media delle softmax di alcuni dei modelli di classificazione addestrati. In particolare, per tale soluzione sono state utilizzate le softmax delle reti HRNet e ResNet101, addestrate sul Dataset 1, e le softmax delle reti HRNet e W-ResNet50, addestrate sul Dataset 2 di immagini con il solo polmone segmentato. La combinazione di più reti ha permesso di raggiungere valori di AUC severity superiori a quelli ottenuti con le singole reti, pari a circa 50-60\% sui pazienti di test e 70-80\% sui pazienti di training. Anche in termini di AUC positivity, si raggiungono risultati superiori pari a circa il 60-70\% e 80\% rispettivamente sui pazienti di test e sui pazienti di training.