La risonanza magnetica prenatale è uno degli strumenti diagnostici più preziosi della medicina, e uno dei più frustranti. Quando un’ecografia di routine rileva una potenziale anomalia cerebrale in un feto in via di sviluppo, una risonanza magnetica è il passo logico successivo. Il problema è che i feti si muovono. E quando lo fanno, la scansione va in pezzi.
Un gruppo di ricerca del MIT, del Boston Children’s Hospital e di Inria ha sviluppato un modello di deep learning chiamato E(3)-Pose che affronta direttamente questo problema, non rendendo la risonanza magnetica più veloce o più economica in astratto, ma risolvendo una specifica e concreta modalità di guasto che ha a lungo compromesso l’accuratezza diagnostica nell’imaging fetale.
La fisica di un bersaglio in movimento
Per capire perché la risonanza magnetica fetale sia così difficile, aiuta comprendere come funziona l’imaging. Una risonanza magnetica del cervello fetale non è una singola fotografia. È una pila di sezioni di immagini bidimensionali che, una volta assemblate, formano un quadro volumetrico tridimensionale del cervello. La qualità di quell’immagine dipende interamente dal fatto che ciascuna sezione venga ripresa da un angolazione coerente e prevedibile.
Quando il feto si muove, quella coerenza si interrompe. Ciascuna sezione può essere catturata da un orientamento diverso, lasciando lacune nella copertura e angoli disallineati nell’immagine finale. Come spiega la prima autrice Ramya Muthukrishnan, una studentessa di dottorato al MIT: le sezioni finiscono “ovunque”. Il radiologo che esamina la scansione sta quindi lavorando con un quadro incompleto, letteralmente. Dettagli strutturali fini che indicherebbero uno sviluppo cerebrale anomalo diventano invisibili o ambigui. Ne conseguono diagnosi mancate e diagnosi errate.
Questo è ciò che la maggior parte della copertura mediatica sull’IA in medicina sorvola. La sfida non è che l’IA debba essere più intelligente in un senso generale. È che un problema fisico molto specifico, il movimento fetale durante l’acquisizione delle immagini, ha degradato l’affidabilità diagnostica per anni, e la soluzione richiede la comprensione della fisica di quel problema, non solo l’addestramento di un modello su grandi set di dati.
La simmetria come scelta di design
Ciò che distingue E(3)-Pose da un approccio di deep learning convenzionale è il luogo in cui risiede la fisica nel modello. Piuttosto che alimentare il modello con dati e sperare che impari i principi fisici da solo, i ricercatori hanno integrato tali principi direttamente nell’architettura della rete neurale. In particolare, la simmetria sinistra-destra della testa fetale è incorporata nella struttura del modello. Questo rende significativamente più facile per il sistema determinare con precisione l’orientamento del cervello, anche quando il feto è in movimento.
Questa filosofia di design, che codifica vincoli fisici noti nel modello anziché lasciarli inferire dai dati, è ciò che la supervisora di Muthukrishnan, la professoressa Polina Golland, descrive come la combinazione di “concetti geometrici come l’equivarianza e la simmetria con la potenza del deep learning”. Il risultato è un modello che traccia la posizione della testa fetale in modo più affidabile perché non sta indovinando la simmetria a partire da esempi. La conosce già.
Il processo di sviluppo non è stato semplice. Muthukrishnan è arrivata al progetto con un background in informatica, non in fisica della risonanza magnetica. Implementare il modello su un vero hardware per scanner, anziché eseguirlo su dati in un ambiente informatico, si è rivelato una sfida completamente diversa. Ha mandato in crash lo scanner ripetutamente durante i test. Il coautore Borjan Gagoski, professore assistente di radiologia alla Harvard Medical School e ricercatore al Boston Children’s Hospital, ha aiutato a risolvere quei guasti e ha sviluppato ulteriori sequenze di acquisizione per la risonanza magnetica per supportare l’addestramento del modello. L’assistente di ricerca Aryn Lee al Boston Children’s ha reclutato le volontarie incinte e gestito l’acquisizione delle scansioni.
La motivazione clinica dietro il lavoro è diretta. Muthukrishnan ricorda di aver osservato una sessione di risonanza magnetica fetale al Boston Children’s Hospital all’inizio del suo dottorato, in cui una paziente incinta ha trascorso un’ora nello scanner solo per interrompere la scansione a metà a causa del disagio, lasciando il radiologo senza un’immagine utilizzabile. Quell’esperienza, ha detto, ha aiutato a definire la direzione della sua ricerca. La frustrazione era condivisa, e il divario tra ciò che la tecnologia poteva teoricamente fornire e ciò che effettivamente offriva nella pratica era visibile.
Perché questo è importante oltre la clinica
Le implicazioni di E(3)-Pose si estendono in due direzioni. La prima è clinica e immediata. Ellen Grant, che dirige il Fetal Neonatal Neuroimaging and Developmental Science Center al Boston Children’s Hospital, ha osservato che il lavoro potrebbe automatizzare la risonanza magnetica del cervello fetale, sostituendo un processo lento e manuale con scansioni più veloci e confortevoli e immagini di qualità superiore per i radiologi. Il modello attuale è addestrato principalmente su feti del terzo trimestre. Il prossimo obiettivo dichiarato di Muthukrishnan è estenderlo all’imaging del secondo trimestre, dove la posta in gioco è più alta: i feti più giovani si muovono di più, sono più piccoli e sono più difficili da riprendere, ma una diagnosi precoce delle anomalie cerebrali crea più opzioni di intervento.
La seconda direzione è più ampia. Lo stesso approccio architettonico, reti neurali informate dalla fisica che codificano vincoli geometrici noti, ha potenziali applicazioni nell’imaging di altre anatomie difficili e in campi come la guida autonoma, in cui i sensori devono tracciare oggetti tridimensionali attraverso dati rumorosi e incompleti.
Ecco cosa segnala sullo sviluppo dell’IA in generale: i progressi più duraturi spesso non derivano dall’aumento di scala dei modelli, ma dall’integrazione della conoscenza del dominio nelle loro fondamenta. Un modello che comprende la simmetria perché la simmetria fa parte della sua struttura supererà in prestazioni uno che deve impararla dagli esempi, specialmente quando gli esempi sono limitati, come inevitabilmente sono nell’imaging medico specializzato.
In breve
E(3)-Pose è un modello di deep learning progettato per tracciare il movimento della testa fetale durante le scansioni di risonanza magnetica, consentendo immagini più chiare e complete del cervello in sviluppo. La sua innovazione chiave è architettonica: i principi fisici, nello specifico la simmetria sinistra-destra della testa fetale, sono incorporati direttamente nel modello anziché essere appresi dai dati. Sviluppato da ricercatori del MIT, del Boston Children’s Hospital e di Inria, il sistema affronta un problema diagnostico concreto che ha causato a lungo diagnosi prenatali mancate ed errate. La lezione più ampia è che codificare ciò che è già noto sul mondo fisico nei sistemi di IA può produrre strumenti più affidabili rispetto al solo addestramento.
Basato su un articolo di MIT News AI.