DEEPLOOK

DeepLook è un sistema un Computed Aided Detection (CAD), basato su algoritmi di Deep Learning, per la rivelazione automatica e la classificazione di lesioni tumorali in immagini di tomosintesi digitale. Lo scopo di DeepLook è quello di implementare una procedura che aiuti il senologo nella localizzazione di lesioni sospette.

Il cancro al seno è la più comune forma tumorale che affligge la popolazione femminile e Il modo più efficace per combatterlo è la sua diagnosi precoce.

A questo scopo è stato introdotto lo screening mammografico che fa uso della mammografia digitale a raggi X per la diagnosi nella paziente asintomatica. La mammografia, però, non è un esame che permette una diagnosi ideale perché sono possibili errori diagnostici dovuti alla sovrapposizione dei tessuti mammari nella direzione di propagazione del fascio di raggi X.

Le  nuove tecniche tridimensionali di imaging a raggi X, come la tomosintesi digitale mammaria (digital breast tomosynthesis, DBT), consentono di superare il limite della sovrapposizione del tessuto patologico e quello sano nella direzione del fascio incidente, condizione che può nascondere la visibilità delle anomalie maligne o simulare l’apparenza di una lesione quando non è presente. Infatti, l’esame DBT restituisce decine di immagini di fettine del tessuto mammario in piani ortogonali alla direzione del fascio di raggi X, con una separazione tra le fettine dell’ordine di 1 mm, permettendo così una più accurata localizzazione delle eventuali lesioni.

Sebbene l’utilizzo della tecnica diagnostica DBT in ambiente clinico abbia mostrato risultati molto promettenti nell’ambito dello screening mammografico, la crescita del numero di immagini da visualizzare e refertare da parte del radiologo può rappresentare un limite alla sua applicazione: è stato mostrato che il tempo impiegato per la refertazione di immagini di DBT è approssimativamente doppio rispetto a quello per la refertazione delle due mammografie convenzionali. Per questo motivo, e per l’intrinseca complessità della diagnosi di tipo tomografico, la variabilità intra- ed inter-osservatore è maggiore per un esame di DBT rispetto alla mammografia. Metodi automatici per l’interpretazione di immagini DBT, attraverso algoritmi di intelligenza artificiale che permettano di riconoscere la presenza e la localizzazione di  una lesione, possono avere un notevole impatto in termini di riduzione significativa del  tempo di lettura da parte del radiologo, che si potrà avvalere di questo ausilio diagnostico di seconda lettura automatica dell’esame, e di miglioramento della diagnosi, riducendone anche la variabilità tra gli studi effettuati in sedi diverse o da diversi radiologi.