Unveiling healthcare data archiving: Exploring the role of artificial intelligence in medical image analysis

Gli archivi sanitari digitali possono essere considerati dei moderni database progettati per immagazzinare e gestire ingenti quantità di informazioni mediche, dalle cartelle cliniche dei pazienti, a studi clinici fino alle immagini mediche e a dati genomici. I dati strutturati e non strutturati che compongono gli archivi sanitari sono oggetto di scrupolose e rigorose procedure di validazione per garantire accuratezza, affidabilità e standardizzazione a fini clinici e di ricerca. Nel contesto di un settore sanitario in continua e rapida evoluzione, l’intelligenza artificiale (IA) si propone come una forza trasformativa, capace di riformare gli archivi sanitari digitali migliorando la gestione, l’analisi e il recupero di vasti set di dati clinici, al fine di ottenere decisioni cliniche più informate e ripetibili, interventi tempestivi e risultati migliorati per i pazienti. Tra i diversi dati archiviati, la gestione e l’analisi delle immagini mediche in archivi digitali presentano numerose sfide dovute all’eterogeneità dei dati, alla variabilità della qualità delle immagini, nonché alla mancanza di annotazioni. L’impiego di soluzioni basate sull’IA può aiutare a risolvere efficacemente queste problematiche, migliorando l’accuratezza dell’analisi delle immagini, standardizzando la qualità dei dati e facilitando la generazione di annotazioni dettagliate. Questa tesi ha lo scopo di utilizzare algoritmi di IA per l’analisi di immagini mediche depositate in archivi sanitari digitali. Il presente lavoro propone di indagare varie tecniche di imaging medico, ognuna delle quali è caratterizzata da uno specifico dominio di applicazione e presenta quindi un insieme unico di sfide, requisiti e potenziali esiti. In particolare, in questo lavoro di tesi sarà oggetto di approfondimento l’assistenza diagnostica degli algoritmi di IA per tre diverse tecniche di imaging, in specifici scenari clinici: i) Immagini endoscopiche ottenute durante esami di laringoscopia; ciò include un’esplorazione approfondita di tecniche come la detection di keypoints per la stima della motilità delle corde vocali e la segmentazione di tumori del tratto aerodigestivo superiore; ii) Immagini di risonanza magnetica per la segmentazione dei dischi intervertebrali, per la diagnosi e il trattamento di malattie spinali, così come per lo svolgimento di interventi chirurgici guidati da immagini; iii) Immagini ecografiche in ambito reumatologico, per la valutazione della sindrome del tunnel carpale attraverso la segmentazione del nervo mediano. Le metodologie esposte in questo lavoro evidenziano l’efficacia degli algoritmi di IA nell’analizzare immagini mediche archiviate. I progressi metodologici ottenuti sottolineano il notevole potenziale dell’IA nel rivelare informazioni implicitamente presenti negli archivi sanitari digitali.

Medical digital archives can be seen as contemporary databases designed to store and manage vast amounts of medical information, from patient records and clinical studies to medical images and genomics data. The structured and unstructured data that compose the archives undergo rigorous curation processes, to ensure their accuracy, reliability, and standardization for clinical and research purposes. In the rapidly evolving field of healthcare, artificial intelligence (AI) is emerging as a transformative force, able to reform medical digital archives improving the management, analysis, and retrieval of vast clinical datasets, and ultimately leading to more informed decisions, timely interventions, and improved patient outcomes. Specifically, managing medical images in digital archives poses numerous challenges such as data heterogeneity, image quality variability and lack of annotations, that can be addressed with AI solutions. This thesis aims to exploit AI algorithms for the analysis of medical images stored in digital archives. This work investigates various medical imaging techniques, each of which is characterized by a specific application domain and consequently presents a unique set of challenges, requirements, and potential outcomes. In particular, it delves into AI diagnostic assistance for three critical imaging techniques in specific clinical scenarios: i) Endoscopic imaging obtained during laryngoscopy examinations; this includes in-depth exploration of techniques such as keypoint detection for vocal fold motility estimation and upper aerodigestive tract cancer segmentation; ii) Magnetic resonance imaging for intervertebral disc segmentation, for the diagnosis and treatment of spinal conditions and diseases, as well as image-guided interventions; iii) Ultrasound imaging in rheumatology, for carpal tunnel syndrome evaluation through median nerve segmentation. The methodologies presented in this work demonstrate the feasibility of using AI algorithms for the analysis of archived medical images, and the achieved methodological advances highlight the potential of AI-based algorithms in extracting useful information implicitly contained in digital archives.