Valutazione delle performance di un algoritmo di intelligenza artificiale nella rilevazione automatica delle lesioni toraciche di cane e gatto in radiografie provenienti da database differenti.

. Thoracic radiology is one of the most widely diagnostic investigations used in clinical practice to investigate the thorax of small animals. The availability of computers with high computing power, in the diagnostic imaging sector, has led the current research trend towards the development of computer-assisted diagnosis (CAD) based on artificial intelligence (AI) to recognize the main chest lesions in dogs and cats. Prospectively, it would be a useful tool for reducing interpretation errors which are, unfortunately, frequent in veterinary radiology. In this scenario, an algorithm has been developed by our research group MAPS, based on convolutional neural networks (CNN), capable of detecting the most common X-rays chest lesions of dogs and cats, testable in VERA (Virtual vEterinary Radiology Assistant) platform. The next step to the implementation of the algorithm and VERA program, is to evaluate its generalization ability for the correct interpretation of radiographs belonging to different databases. The main purpose of this study, after obtained three X ray databases belonged from three different hospital systems, is to evaluate how deep learning models, trained to recognize the main chest lesions from one database, can generalize to external data belonged to the other two. The final goal is understanding the real possibility of using an AI network in a daily clinical use, providing veterinarians, a concrete tool that can be helpful in the everyday work. In this study, databases of radiographic images from three clinics in the territory of Veneto, were used for the development and testing of the CNN: Ospedale Veterinario Universitario Didattico (O.V.U.D.), Clinica Veterinaria Pedrani and Clinica Veterinaria Strada Ovest. Looking at the data obtained, the statistics of the two most represented tag in the databases, it was possible to affirm a good ability of generalization of the neural network and, therefore, its concrete use in a future clinical prospective.

La radiologia toracica è una delle indagini diagnostiche maggiormente utilizzata, nella pratica clinica, per investigare il torace dei piccoli animali. La crescente disponibilità di computer con elevata potenza di calcolo, nel settore della diagnostica per immagini, ha guidato l'attuale tendenza della ricerca nella direzione dello sviluppo di CAD (Computer-aided detecion) basati sull'intelligenza artificiale (IA) per riconoscere le principali lesioni toraciche di cane e gatto. Prospettivamente, si tratta di uno strumento utile per ridurre gli errori diagnostici che sono, purtroppo, frequenti in radiologia veterinaria. In quest’ottica, è stato sviluppato dal nostro gruppo di ricerca un algoritmo, basato sulle Reti Neurali Convoluzionali (CNN- Convolutional Neural Network), capace di rilevare le più comuni lesioni dalle radiografie del torace di cane e gatto, testabile nella piattaforma VERA (Virtual vEterinary Radiology Assistant). Lo step successivo all’implementazione dell’algoritmo è quello di valutare la sua capacità di generalizzazione per la corretta interpretazione di radiografie provenienti da database differenti. L'obiettivo principale di questo studio è, ottenuti tre database di radiografie appartenenti a tre diversi sistemi ospedalieri, valutare in che modo i modelli di deep learning, addestrati a riconoscere le principali lesioni toraciche su un database, riescano a generalizzare ai dati esterni provenienti dagli altri due. Il fine ultimo è quello di valutare la reale possibilità di utilizzo di una rete di IA nell’uso clinico quotidiano, fornendo a medici veterinari uno strumento utile che possa essere fonte d’aiuto concreto nel lavoro di tutti i giorni. In questo studio sono stati utilizzati, per lo sviluppo e test della CNN, tre database di immagini radiografiche provenienti da tre cliniche del territorio: Ospedale Veterinario Universitario Didattico (O.V.U.D.), Clinica Veterinaria Pedrani e Clinica Veterinaria Strada Ovest. Sulla base dei dati ottenuti, analizzando le statstiche dei due tag più rappresentati all’interno dei database, è stato possible affermare una buona capacità di generalizzazione della rete neurale. Concludendo, appare dunque plausibile l’utilizzo di questa nuova tecnologia, a seguito di miglioramenti ed implementazioni ulteriori, in una prospettiva clinica futura.