Uso di imaging e dati clinici nella predizione dell'andamento della capacità polmonare in pazienti con fibrosi = Utilization of Imaging and Clinical Data in Predicting Lung Capacity Progression in Patients with Fibrosis

Questa ricerca si propone di analizzare l'efficacia dell'utilizzo combinato di dati clinici e immagini TC (Tomografia Computerizzata) per la previsione dell'andamento della capacità polmonare in pazienti affetti da fibrosi polmonare idiopatica (IPF), una malattia cronica del sistema respiratorio. Nonostante gli sforzi nella ricerca medica, le cause esatte della fibrosi polmonare idiopatica rimangono ancora sconosciute. L'indagine si basa sull'impiego di modelli intelligenti per affrontare le sfide diagnostiche e prognostiche legate alla fibrosi polmonare idiopatica, con particolare attenzione all'utilizzo dei Vision Transformers (ViT), al fine di superare i modelli vincitori della challenge "OSIC Pulmonary Fibrosis Progression" su Kaggle. Il dataset utilizzato comprende 176 tomografie toraciche e feature tabulari, inclusi i valori di Forced Vital Capacity (FVC) acquisiti durante le visite di follow-up. Nonostante le aspettative, l'analisi dei modelli addestrati ha rivelato la presenza di un bias sistematico. Test di ablazione e correlazione sono stati condotti per esplorare le possibili cause di tale bias. I risultati indicano che i modelli addestrati con i Vision Transformers non hanno superato i modelli di riferimento esistenti, e l'analisi del bias ha sottolineato la mancanza di apprendimento significativo dagli input, con le previsioni dei modelli basate su valori statisticamente più probabili. In conclusione, questo studio evidenzia che, utilizzando esclusivamente immagini TC (Tomografia Computerizzata) e dati tabulari, non è stato possibile raggiungere un ottimale task di regressione per predire l'andamento della capacità polmonare nei pazienti affetti da fibrosi polmonare idiopatica. Ulteriori ricerche sono necessarie per affrontare le sfide presentate, esplorando approcci alternativi o integrando ulteriori informazioni per migliorare la precisione delle previsioni.