DeepStethoscope: deep learning per la predizione di anomalie e patologie respiratorie da suoni di auscultazione

Risultato della ricerca:

Con milioni di persone colpite ogni anno in tutto il mondo, le malattie respiratorie sono tra le cause più comuni di morte e disabilità.  L’esame respiratorio tradizionale parte dall’auscultazione polmonare tramite stetoscopio. Tuttavia, il riconoscimento di patologie risulta particolarmente critico nel contesto di suoni cardio-respiratori, a causa non solo di vari livelli di rumore presenti nel segnale audio ma anche al fatto che non esiste una relazione esplicita tra presenza di suoni avventizi (es., soffi bronchiali, sibili, ronchi, rantoli) nel ciclo respiratorio e una specifica patologia.

Lo sviluppo di metodi e strumenti avanzati di elaborazione delle informazioni e analisi di suoni di auscultazione respiratoria di supporto nella prevenzione e nella diagnosi precoce di tali malattie è diventato di grande interesse per la comunità scientifica e le organizzazioni sanitarie. In quest’ottica, le attività di ricerca del team proponente si concentrano sulla progettazione di metodi di Intelligenza Artificiale, con enfasi su Deep Machine Learning, per task di analisi predittiva che possano essere di valido supporto a pneumologi nella rilevazione di anomalie e malattie respiratorie.

Il sistema proposto, denominato DeepStethoscope, consiste attualmente in un framework per la rappresentazione di caratteristiche salienti da dati sonori di auscultazione mediante stetoscopio, l’estrazione di feature basate su diversi schemi di configurazione di frame e il conseguente addestramento di una serie di modelli predittivi basati su deep learning per l’identificazione di malattie respiratorie a diversi livelli di risoluzione in termini sia di classi di anomalie (suoni avventizi) sia di classi di patologie (e.g., croniche, non-croniche). La significatività del sistema è supportata da una varietà di fattori, tra cui l’uso del repository di suoni respiratori, ICBHI Challenge 2017, pubblicamente disponibile e ampiamente utilizzato da numerosi studi in letteratura, nonché l’integrazione di nuovi modelli di estrazione e rappresentazione di feature da suoni di auscultazione con architetture e metodi avanzati per reti neurali profonde (modelli ricorrenti, modelli convoluzionali). Un’approfondita valutazione sperimentale ha dimostrato che i metodi sviluppati avanzano lo stato dell’arte nell’analisi delle malattie respiratorie, superando tutti i competitor del ICBHI Challenge, e risultando altamente efficaci sia nella predizione orientata ad anomalie (crackle, wheeze) sia nella predizione orientata a patologie (BPCO, bronchiectasie, asma, infezione del tratto respiratorio superiore e inferiore, polmonite e bronchiolite). Il sistema DeepStethoscope, insieme all’hardware necessario per la registrazione dei suoni respiratori, si propone come strumento di riferimento per supportare il personale medico nell’identificazione e nella comprensione dell’evoluzione di anomalie e malattie delle vie respiratorie.

Riferimento a finanziamenti precedenti:

I risultati della ricerca non sono stati oggetto di finanziamento.

Innovatività rispetto a soluzioni già esistenti:

Gli studi in letteratura hanno evidenziato che le tecniche di Machine Learning rappresentano strumenti computazionali utili per identificare patologie nelle prime fasi delle disfunzioni respiratorie. In particolare, grazie alla riconosciuta capacità di apprendere complesse funzioni non lineari da grandi moli di dati, i metodi di Deep Learning consentono di ottenere prestazioni superiori in vari domini, tra cui il riconoscimento vocale, e sono sempre più utilizzati anche per dati biomedicali. D’altra parte, rimane fondamentale definire opportune metodologie per il pre-processing dei dati audio e l’estrazione di feature appropriate per la rappresentazione degli input per la successiva fase di analisi orientata all’induzione di modelli predittivi.  A tal riguardo, l’innovatività della soluzione presentata è il risultato di una integrazione efficace tra (i) la definizione di modelli di rappresentazione delle caratteristiche salienti dei cicli respiratori, basata su diversi schemi di configurazione di frame e (ii) la progettazione di architetture di deep learning. Il sistema DeepStethoscope è in grado di superare lo stato dell’arte per l’analisi predittiva sia di anomalie sia di patologie respiratorie da suoni di auscultazione, sulla base di prestazioni superiori in termini di diversi criteri di validazione (tra cui, accuracy rate, specificity, sensitivity, precision) e relativamente all’intero testbed ICBHI Challenge 2017.

L’analisi dei competitor industriali non ha individuato prodotti presenti sul mercato in grado di riconoscere patologie direttamente dall’analisi di suoni di auscultazione. D’altra parte, l’interesse del mercato di riferimento verso modelli computazionali a supporto della predizione di patologie respiratorie è confermato anche dai principali player nella produzione di stetoscopi tradizionali (Littman) o digitali (EKuore).

Titoli di proprietà intellettuale:

Al momento, il gruppo di ricerca non dispone di alcun titolo di proprietà industriale. Il gruppo ha iniziato a verificare i requisiti di brevettabilità del trovato, attraverso il supporto dell’ufficio di ateneo competente. Inoltre alcuni dei risultati della ricerca sono stati oggetto di pubblicazione scientifica (peer-reviewed).

Principali applicazioni e mercato di riferimento:

Il sistema DeepStethoscope ha una naturale predisposizione per svariate applicazioni finalizzate alla prevenzione e diagnosi precoce di patologie respiratorie, nonché al monitoraggio dello stato di salute respiratoria degli individui. Uno dei vantaggi chiave è l’utilizzo di DeepStethoscope sia in sito che in remoto. Più specificamente, il completamento delle fasi di sviluppo e la successiva industrializzazione per l’analisi dei suoni catturati con l’auscultazione naturale predispone alle seguenti applicazioni

1. Supporto alle decisioni in ambiente medico (ospedali, cliniche, studi medici).
2. Supporto alle decisioni in ambiente remoto (telemedicina).
3. Sistemi di supporto alle decisioni e soluzioni personalizzate (home care solution).

Nonostante le principali patologie polmonari siano primariamente identificate attraverso lo stetoscopio, molto spesso la diagnosi risulta incerta e si riflette in un errato o mancato riconoscimento della patologia, causando ritardi nella decisione medica dovuti alla necessità di eseguire ulteriori esami clinici.  Inoltre, da una prospettiva più ampia di sistema sanitario, la forza lavoro sanitaria qualificata non è disponibile uniformemente in tutto il mondo – i paesi con la maggiore incidenza di malattie respiratorie (paesi in via di sviluppo) possono fare affidamento su una forza lavoro molto limitata.

Centinaia di milioni di persone, di ogni età e area geografica, sono affette da malattie respiratorie croniche che possono essere considerate prevenibili. Tuttavia, tra i fattori di debolezza nella pratica clinica, vi sono i ritardi nella diagnosi, ad esempio, della Broncopneumopatia Cronica Ostruttiva (BPCO). Secondo il report 2017 del Forum of Int.  Respiratory Societies, sono circa 65 milioni di persone affette da BPCO, con oltre 3 milioni di morti l’anno.  Il rapporto sul mercato di trattamento della BPCO 2018-2026 include un’analisi completa del mercato attuale: gli analisti di TechNavio prevedono che il mercato dei farmaci per la BPCO registrerà un tasso di crescita annuale di quasi il 4% entro il 2023, raggiungendo i 3,52 miliardi di dollari nei prossimi cinque anni. I maggiori produttori di stetoscopi elettrici (Littman e Eko Core) hanno iniziato ad investire nello sviluppo di piattaforme per l’analisi dei dati, ma ancora non vi sono strumenti utilizzabili in commercio. In particolare, EKO (Silicon Valley), che produce sistemi digitali basati su Machine Learning per individuare patologie cardiache, ha annunciato di aver raggiunto un round da 20 milioni di dollari grazie ad un fondo di finanziamento gestito da ARTIS Ventures.

Esigenze per l’ulteriore sviluppo – Industrializzazione:

Per avanzare lo stadio della tecnologia dall’attuale TRL4 ad almeno TRL7, si prevedono le seguenti fasi di piano di sviluppo:

1. Individuazione di partner scientifici nonché di cliniche pubbliche e/o private ai fini della sottoscrizione di accordi per l’acquisizione di dati respiratori, con relative annotazioni di esperti, in modo da poter migliorare ulteriormente le capacità di riconoscimento del sistema proposto e, allo stesso tempo, diversificare i casi di studio presi in esame.
2. Acquisizione di ulteriori dati sonori di auscultazione, conformi a predefinite specifiche tecniche, su larga scala (e.g., numero di soggetti clinici dell’ordine 103 o superiori).
3. Definizione di protocolli condivisi per la raccolta dei dati, rilevazione e condivisione.
4. Test in ambienti reali e validazione dei risultati in funzione dei criteri di certificazione
5. Integrazione dei modelli predittivi in una piattaforma di misurazione ed elaborazione dei segnali audio di auscultazione.