Secondo NetApp i tre principali casi di utilizzo dell’intelligenza artificiale in campo sanitario riguardano la genomica, l’imaging medico e la patologia digitale.
L’utilizzo dell’intelligenza artificiale in questi casi non solo ha portato a migliorare la velocità e l’accuratezza delle diagnosi, ma ha anche permesso l’individuazione precoce di importanti malattie quali il tumore al seno.
Anche se queste tecnologie sono da considerarsi indipendenti, vengono spesso impiegate insieme come una parte dell’esteso flusso di lavoro diagnostico: l’imaging medico porta alla biopsia e l’esame del risultato della biopsia da parte di un patologo apre la strada agli studi genomici, che vengono utilizzati per sviluppare un piano terapeutico personalizzato sulla base del genoma del paziente o dei marcatori genetici osservati.
Genomica
L’intelligenza artificiale può aiutare a gestire l’enorme quantità di dati e di informazioni genetiche. La sfida fondamentale della genomica risiede nel prendere tutti i dati delle sequenze e scoprire quali differenze sono rilevanti
La gestione dei dati nella genomica rappresenta una sfida più difficile rispetto a quella dell’imaging medico o della patologia digitale.
Con risultati di sequenziamento per un singolo individuo che portano fino a 1 terabyte, il sequenziamento dell’intero genoma crea problemi di gestione dei dati sia nella ricerca che in ambito clinico.
Anche se i formati dei file utilizzati in genomica sono standardizzati, non esiste un equivalente di un sistema di archiviazione e comunicazione delle immagini (PACS) o di un archivio neutro di vendor neutral archive (VNA) per la gestione dei dati genetici.
Imaging Medico
L’imaging medico è al centro di notevoli spinte che puntano a incrementarne l’efficienza. La popolazione dei pazienti sta invecchiando e vive condizioni in cui l’imaging è sempre più necessario, ma la dimensione del personale nei reparti di radiologia è piatta e in alcuni casi si sta restringendo.
Molti paesi hanno carenza di radiologi, soprattutto nelle aree rurali. Nel terzo mondo, la mancanza di competenza in questo campo è un problema molto diffuso.
Mentre il ruolo dell’intelligenza artificiale all’interno del flusso di lavoro di imaging medico è importante per il progresso generale, è l’utilizzo dell’intelligenza artificiale per l’analisi e la diagnostica delle immagini (la diagnostica computerizzata) ad aver attirato maggiormente l’attenzione.
I modelli di deep learning sono stati sviluppati per un’ampia gamma di condizioni, con la promessa di migliorare la velocità e l’accuratezza delle analisi e di permettere una diagnosi precoce delle malattie. Le aree di studio che spiccano maggiormente includono l’individuazione di noduli polmonari, del tumore al cervello, della sclerosi multipla, del tumore al seno e alla prostata.
Patologia dgitale
Nel campo della patologia si sta vivendo una situazione molto simile a quella dell’imaging medico: la domanda di servizi in questo campo sta aumentando più velocemente rispetto al numero dei patologi. Ciò significa che i laboratori di patologia devono diventare più efficienti per poter trattare più casi in meno tempo.
Nella patologia tradizionale, i vetrini vengono preparati con un campione di tessuto del paziente e poi rivisti da un patologo con un microscopio ad alto ingrandimento. Questo processo manuale può essere soggetto a errori e può portare ad uno spreco di tempo, soprattutto se il patologo necessita di consultarsi con esperti esterni.
Sebbene la patologia computazionale somigli per molti aspetti all’intelligenza artificiale nell’imaging medico, ci sono molte differenze sostanziali. In generale, la patologia digitale si trova molti anni indietro rispetto all’imaging medico in termini di maturità nell’applicazione dell’intelligenza artificiale.
Questo potrebbe essere in parte dovuto al fatto che la patologia digitale è stata relativamente lenta da digitalizzare. Nell’imaging medico, la digitalizzazione ha offerto un percorso chiaro verso la riduzione dei costi e l’incremento dell’efficienza del flusso di lavoro. In ogni caso, la patologia digitale aggiunge la tecnologia digitale ai processi fisici esistenti rendendo così i vantaggi economici meno chiari ed evidenti.
Le soluzioni cloud di NetApp sono utilizzate da aziende che sfruttano l’intelligenza artificiale per produrre innovazione nell’healthcare, come Wuxi Next Code, società di analisi per i dati genomici che usa NetApp Cloud Volumes per la gestione delle applicazioni data-driven, il Mt. San Rafael Hospital, in Colorado, che si serve di informazioni predittive per migliorare la vita dei pazienti con soluzioni di big data analytics, o l’azienda biofarmaceutica AstraZeneca
