Rilevazione di landmark sulla linea pleurica in pazienti ICU sottoposti a ventilazione meccanica: approcci tradizionali e utilizzo di modelli fondazionali

Il monitoraggio della funzione respiratoria rappresenta un elemento fondamentale nella gestione dei pazienti in terapia intensiva (ICU), in particolare nei casi sottoposti a ventilazione meccanica. L’ecografia toracica si è affermata come strumento diagnostico di grande valore grazie alla sua natura non invasiva, portatile e alla capacità di fornire informazioni in tempo reale sulla dinamica polmonare. Tuttavia, l’analisi di queste immagini richiede esperienza clinica e risulta spesso soggetta a variabilità inter-operatore. Il presente lavoro propone un metodo per l’identificazione automatica di landmark anatomici sulla linea pleurica, con l’obiettivo di ridurre la componente manuale nella fase di preparazione dei dati per l’analisi del movimento polmonare. Quest’ultima, infatti, richiede la definizione di numerosi punti di interesse (seed point) su centinaia di frame ecografici, un’operazione che risulta estremamente dispendiosa se eseguita manualmente. Automatizzarne la localizzazione costituisce quindi un passaggio essenziale per rendere più efficiente e scalabile l’analisi del movimento tissutale polmonare. Il lavoro si basa su dati clinici reali forniti dall’Azienda Ospedale Università di Padova. Sono state fornite le serie ecografiche relative a 30 pazienti ICU, per ognuno dei quali sono presenti in media 10 video con circa 11 frame ciascuno, per un totale di 3234 frame annotati. È stata sviluppata una pipeline completa per l’estrazione e la mascheratura di frame ecografici, l’associazione dei report strutturati contenenti le annotazioni cliniche e la generazione di heatmap gaussiane utilizzate come supervisione per l’addestramento. In seguito, a partire da questi dati sono state sperimentate diverse architetture di reti neurali con l’obiettivo di predire automaticamente i landmark sulla linea pleurica. In alcune di queste architetture è stato integrato l’utilizzo dei modelli fondazionali (in particolare, USFM), ossia reti neurali pre-addestrate su grandi quantità di dati, in grado di apprendere rappresentazioni generalizzabili e trasferibili a nuovi compiti. Il sistema proposto costituisce quindi un passo verso l’automazione dei processi di analisi ecografica, riducendo il carico manuale e rendendolo più accessibile per la futura applicazione di un tracking per una valutazione quantitativa della funzione respiratoria.