IT202100013118A1

IT202100013118A1 - Apparecchio per la formazione di un modello di diagnosi di immagini mediche

Info

Publication number: IT202100013118A1
Application number: IT102021000013118A
Authority: IT
Inventors: Alberto Sanna
Original assignee: Ospedale San Raffaele Srl
Priority date: 2021-05-20
Filing date: 2021-05-20
Publication date: 2022-11-20

Description

Apparato per la formazione di un modello di diagnosi di immagini mediche

L'invenzione riguarda un apparato per addestrare un modello di diagnosi di immagini mediche, in particolare basato su un modello di generazione di un percorso cognitivo e visuo-spaziale. L'invenzione riguarda anche un metodo corrispondente per addestrare una diagnosi di immagini mediche. Inoltre, l'invenzione riguarda un programma informatico per implementare detto metodo nonch? un supporto di archiviazione comprendente detto programma informatico.

La diagnosi medica ? un processo molto complicato per determinare quale tipo di malattia o condizione spiega i sintomi e i segni di una persona. In molti casi, un medico deve analizzare e interpretare una o pi? immagini del paziente (ad esempio immagini a raggi X, risonanza magnetica o TAC, ecc.) prima di fornire una diagnosi. Il modo in cui un'immagine viene analizzata da un medico e di conseguenza il modo in cui viene ottenuta la diagnosi medica finale pu? essere influenzato da errori dovuti alla scarsa esperienza o alla cattiva prassi del medico.

Per migliorare l'accuratezza e l'efficienza di una diagnosi medica, nella tecnica anteriore vengono forniti diversi tentativi per automatizzare questo compito fondamentale del medico. Ad esempio, la teoria delle decisioni e delle probabilit? pu? essere usata per costruire sistemi automatizzati da un database di casi di riferimento tipici. In questo modo, il compito di estrazione delle conoscenze pu? essere semplificato per quei medici che non sanno come arrivare a una determinata diagnosi.

Tuttavia, tali sistemi o metodi si basano su risultati di diagnosi precedenti effettuati da altri dottori in casi simili. In altre parole, un medico di scarsa esperienza pu? fare affidamento solo sulle informazioni iniziali (sintomi e segni) e sul risultato finale (diagnosi medica) ma non pu? ottenere conoscenze sulle procedure seguite dal medico pi? esperto per ottenere il risultato finale a partire dalle informazioni iniziali. Ad esempio, i metodi e il sistema della tecnica anteriore non possono essere impiegati per interpretare correttamente l'imaging medico del paziente utilizzato dai medici per ottenere i loro risultati.

Esempi della presente descrizione cercano di affrontare o almeno alleviare i suddetti problemi.

Secondo un primo aspetto dell'invenzione viene fornito un apparato per addestrare un modello di diagnosi di immagini mediche che si basa su un modello di generazione di un percorso cognitivo e visuo-spaziale, l'apparato comprendendo: un dispositivo di visualizzazione azionabile per visualizzare un'immagine medica da esaminare per una condizione medica da parte di un utente, l'immagine medica essendo associata a un tipo di immagine; un tracciatore oculare azionabile per tracciare il movimento oculare dell'utente mentre visualizza l'immagine medica durante l'esecuzione di una diagnosi della condizione medica associata all'immagine medica, in modo da generare dati sul movimento oculare; uno o pi? sensori biologici azionabili per misurare segnali biologici indicativi di una reazione neurofisiologica dell'utente durante l'ispezione dell'immagine medica, in modo da generare dati di reazione neurofisica; un dispositivo di archiviazione azionabile per archiviare dati diagnostici indicativi di una diagnosi della condizione medica associata all'immagine medica dall'utente, e per archiviare il modello di generazione del percorso cognitivo e visuo-spaziale; e un processore azionabile per: analizzare l'immagine medica per identificare caratteristiche di immagine dell'immagine medica che provengono da un insieme di caratteristiche dell'immagine associate al tipo di immagine dell'immagine medica, in modo da per generare i dati delle caratteristiche dell'immagine; associare le caratteristiche dell'immagine come indicato dai dati delle caratteristiche dell'immagine ai dati del movimento oculare e ai dati della reazione neurofisica in modo da generare metadati di diagnosi dell'immagine; e addestrare il modello di generazione del percorso cognitivo e visuo-spaziale per generare dati del percorso cognitivo visuo-spaziale basati sui metadati di diagnosi dell'immagine, in cui i dati del percorso cognitivo visuo-spaziale definiscono un percorso visuo-spaziale rispetto all'immagine medica insieme ai dati della reazione neurofisica associati che sono indicativi di una significativit? attribuita dall'utente alle regioni dell'immagine medica quando esegue una diagnosi per arrivare a una diagnosi corretta.

In un secondo aspetto dell'invenzione viene fornito un metodo per addestrare un modello di diagnosi di immagini mediche che si basa su un modello di generazione di percorso cognitivo e visuo-spaziale, il metodo comprendendo: la visualizzazione, su un dispositivo di visualizzazione, di un'immagine medica che deve essere ispezionata per una condizione medica da un utente, l'immagine medica essendo associata a un tipo di immagine; il tracciamento, usando un tracciatore di movimento oculare, del movimento oculare dell'utente mentre visualizza l'immagine medica durante l'esecuzione di una diagnosi della condizione medica associata all'immagine medica, in modo da generare dati sul movimento oculare; la misurazione, usando uno o pi? sensori biologici, segnali biologici indicativi di una reazione neurofisiologica dell'utente durante l'ispezione dell'immagine medica, in modo da generare dati della reazione neurofisica; l'archiviazione, utilizzando un dispositivo di archiviazione, di dati diagnostici indicativi della diagnosi della condizione medica associata all'immagine medica da parte dell'utente, e del modello di generazione del percorso cognitivo e visuo-spaziale; l'analisi, mediante un processore, dell'immagine medica per identificare le caratteristiche di immagine dell'immagine medica che provengono da un insieme di caratteristiche dell'immagine associate al tipo di immagine dell'immagine medica, in modo da generare dati delle caratteristiche dell'immagine; l'associazione, mediante il processore, delle caratteristiche dell'immagine come indicato dai dati delle caratteristiche dell'immagine con i dati del movimento oculare e i dati della reazione neurofisica in modo da generare metadati di diagnosi dell'immagine; e l'addestramento, utilizzando il processore, del modello di generazione del percorso cognitivo e visuo-spaziale per generare dati del percorso cognitivo visuo-spaziale basati sui metadati di diagnosi dell'immagine, in cui i dati del percorso cognitivo visuo-spaziale definiscono un percorso visuo-spaziale rispetto all'immagine medica insieme ai dati della reazione neurofisica associati che sono indicativi di una significativit? attribuita dall'utente alle regioni dell'immagine medica quando esegue una diagnosi per giungere a una diagnosi corretta.

In un terzo aspetto dell'invenzione, ? fornito un programma informatico comprendente istruzioni leggibili al computer che, quando implementate su un computer, fanno s? che il computer esegua un metodo come definito sopra.

In un quarto aspetto dell'invenzione, ? fornito un supporto di archiviazione comprendente il programma informatico come definito sopra.

Altri aspetti e caratteristiche sono definiti nelle rivendicazioni allegate.

Esempi della descrizione possono rendere possibile l'addestramento di un modello e la sintonizzazione dei parametri del modello al fine di ottenere un risultato soddisfacente in termini di prestazioni. Il modello generato pu? essere utilizzato per produrre nuovi risultati e quindi prevedere un output. In questo modo, ? possibile ridurre l'errore umano nel fornire una diagnosi basata sull'interpretazione delle immagini mediche.

Esempi della descrizione verranno ora descritti a titolo d'esempio solo con riferimento ai disegni allegati, in cui riferimenti simili si riferiscono a parti simili e in cui:

La Figura 1 mostra un diagramma a blocchi dell'apparato per l'addestramento di un modello di diagnosi di immagini mediche secondo un esempio.

La Figura 2 mostra una rappresentazione schematica del flusso di dati per il funzionamento del processore secondo un esempio.

La Figura 3 mostra un diagramma di flusso del metodo per l'addestramento di un modello di diagnosi di immagini mediche secondo un esempio.

La Figura 4 mostra un esempio delle porzioni pi? significative identificate su un'immagine di mappa di calore.

La Figura 5 mostra una rappresentazione schematica dei tre livelli di applicazione dell'apparato secondo un esempio.

La Figura 6 mostra un diagramma di flusso della raccolta di informazioni per l'addestramento di un modello di diagnosi di immagini mediche secondo un esempio.

La Figura 7 mostra una rappresentazione schematica dell'impiego dell'apparato per l'addestramento di un modello di diagnosi di immagini mediche secondo un esempio.

La Figura 8 mostra una rappresentazione schematica di un sistema informatico.

Vengono descritti un apparato e un metodo per addestrare un modello di diagnosi di immagini mediche. Nella descrizione che segue vengono presentati una serie di dettagli specifici allo scopo di fornire una comprensione esaustiva degli esempi della descrizione. Risulter? tuttavia evidente a una persona esperta nel ramo che questi dettagli specifici non devono necessariamente essere impiegati per mettere in atto gli esempi della descrizione. Viceversa, dettagli specifici noti alla persona esperta nel ramo sono omessi ai fini della chiarezza nella presentazione degli esempi.

Con riferimento alla Figura 1, un apparato 1 per l'addestramento di un modello di diagnosi di immagini mediche ? illustrato sotto forma di un diagramma a blocchi. L'apparato 1 si basa su un modello di generazione di un percorso cognitivo e visuospaziale e comprende almeno un dispositivo di visualizzazione 2, un tracciatore di movimento oculare 3, uno o pi? sensori biologici 4, e un dispositivo di archiviazione 5.

Il dispositivo di visualizzazione 2 ? azionabile per visualizzare un'immagine medica da esaminare per una condizione medica da parte di un utente, in cui l'immagine medica ? associata a un tipo di immagine. Il tracciatore del movimento oculare 3 ? azionabile per monitorare il movimento oculare dell'utente durante la visualizzazione dell'immagine medica ed eseguire una diagnosi della condizione medica associata all'immagine medica. La pluralit? di sensori biologici 4 ? azionabile per misurare segnali biologici indicativi di una reazione neurofisiologica dell'utente durante l'ispezione dell'immagine medica. Il dispositivo di archiviazione 5 ? azionabile per archiviare i dati diagnostici indicativi di una diagnosi della condizione medica associata all'immagine medica da parte dell'utente e per archiviare il modello di generazione del percorso cognitivo e visuospaziale.

Il dispositivo di visualizzazione 2, il tracciatore di movimento oculare 3, i sensori biologici 4 e il dispositivo di archiviazione 5 sono tutti elementi dell'apparato 1 collegati a un processore 6 che riceve ed elabora dati da questi elementi per l'addestramento del modello di diagnosi di immagini mediche.

Il funzionamento del processore 6 della Figura 1 ? meglio chiarito nella Figura 2. Secondo questa figura, almeno un'immagine medica (MI, Medical Image) viene analizzata per identificare le caratteristiche di immagine dell'immagine medica che provengono da un insieme di caratteristiche di immagine associate al tipo di immagine dell'immagine medica (MI). Di conseguenza, i dati delle caratteristiche dell'immagine (IFD, Image Feature Data) vengono generati da un modulo di analisi 201 dell'immagine. Le caratteristiche dell'immagine come indicato dai dati delle caratteristiche dell'immagine (IFD) sono quindi associate ai dati del movimento oculare (EGD, Eye Gaze Data) e ai dati della reazione neurofisica (NRD, Neurophysical Reaction Data) generati rispettivamente dal tracciatore del movimento oculare 3 e dai sensori biologici 4. Di conseguenza, i metadati di diagnosi delle immagini (IDM, Image Diagnosis Metadata) vengono generati da un modulo di associazione 202. I metadati di diagnosi delle immagini (IDM) vengono utilizzati per addestrare il modello di generazione del percorso cognitivo e visuo-spaziale per generare dati del percorso cognitivo visuo-spaziale (VSD, Visuo-Spatial cognitive path Data) mediante un modulo di addestramento 203. In particolare, i dati del percorso cognitivo visuo-spaziale (VSD) definiscono un percorso visuo-spaziale rispetto all'immagine medica (MI) insieme ai dati della reazione neurofisica associati (NRD) che ? indicativo di una significativit? attribuita dall'utente alle regioni dell'immagine medica (MI) quando esegue una diagnosi per arrivare a una diagnosi corretta.

La Figura 3 illustra i passaggi del metodo 100 per addestrare un modello di diagnosi di immagini mediche basato su un modello di generazione di un percorso cognitivo e visuospaziale. Nel passaggio S101, viene visualizzata un'immagine medica per essere esaminata per una condizione medica da un utente. L'immagine medica pu? essere associata a un tipo di immagine, vale a dire un'immagine a raggi X, un'immagine RM, ecc. Nel passaggio S102, il movimento oculare dell'utente viene tracciato e nel passaggio S103 vengono misurati segnali biologici indicativi di una reazione neurofisiologica dell'utente. Entrambi i passaggi S102 e S103 vengono eseguiti mentre l'utente sta visualizzando l'immagine medica e mentre l'utente sta eseguendo una diagnosi della condizione medica associata all'immagine medica. Nel passaggio S104, i dati di diagnosi indicativi della diagnosi della condizione medica associata all'immagine medica da parte dell'utente e il modello di generazione del percorso cognitivo e visuospaziale vengono archiviati nel dispositivo di archiviazione 5. Nel passaggio S105, l'immagine medica viene analizzata per identificare le caratteristiche di immagine dell'immagine medica che provengono da una serie di caratteristiche di immagine associate al tipo di immagine dell'immagine medica, in modo da generare dati delle caratteristiche di immagine. Nel passaggio S106, le caratteristiche di immagine come indicato dai dati delle caratteristiche di immagine sono associate ai dati del movimento oculare e ai dati della reazione neurofisica in modo da generare metadati di diagnosi dell'immagine. Nel passaggio S107, il modello di generazione del percorso cognitivo e visuo-spaziale viene addestrato per generare i dati del percorso cognitivo visuo-spaziale. L'addestramento viene condotto sulla base dei metadati di diagnosi dell'immagine, in cui i dati del percorso cognitivo visuo-spaziale definiscono un percorso visuo-spaziale rispetto all'immagine medica insieme ai dati di reazione neurofisica associati che sono indicativi di una significativit? attribuita dall'utente alle regioni dell'immagine medica quando esegue una diagnosi per arrivare a una diagnosi corretta.

In un esempio, il metodo comprende la visualizzazione dell'immagine medica insieme al percorso visuo-spaziale generato dal modello di generazione del percorso cognitivo e visuo-spaziale.

LUPD1428554/1 - diagnosi di immagini mediche

PRIVATO E CONFIDENZIALE

I seguenti segnali potrebbero essere acquisiti dall'apparato 1. Si noti che l'apparato 1 pu? acquisire solo uno o una combinazione di diversi segnali:

? Segnale di GSR (risposta galvanica della pelle, Galvanic Skin Response) ? Segnale di PPG (fotopletismogramma)

? Segnale di EEG (elettroencefalografia)

? Espressione facciale

? Segnale di ECG (elettrocardiogramma)

? Segnale di EMG (elettromiografia)

? Diametro pupillare

? Linguaggio del movimento del corpo

? Lingua naturale parlata

? Linguaggio emotivo naturale

? Segnale di fNIRS (spettroscopia funzionale nel vicino infrarosso, functional Near Infrared Spectroscopy)

? Livello di ossigeno nel sangue

? Parametri biochimici

? Segnale di geolocalizzazione

Tutti questi segnali sono considerati metadati di input. I dati di input vengono utilizzati sia per addestrare l'apparato al fine di generare diversi modelli corrispondenti al processo visivo-spaziale-cognitivo di riferimento costruito facendo la media dei processi diagnostici di diversi medici raggruppati in cluster, e per consentire agli utenti di autovalutare il proprio processo diagnostico accedendo al modello della propria esplorazione visiva-spaziale-cognitiva dell'immagine medica (funzione di promozione dell'autoconsapevolezza). In altre parole, i dati di input sono segnali biologici estratti dall'attivit? biologica dell'utente mentre l'utente sta esaminando e studiando un'immagine medica per la diagnosi. Il segnale pi? importante ? la posizione del movimento oculare acquisita attraverso l'uso di un sistema di tracciamento oculare. Tuttavia, altri segnali estratti da diversi sensori potrebbero essere utilizzati come dati di input del sistema al fine di aumentare l'efficienza dell'intelligenza artificiale.

In un altro esempio, il processore pu? essere azionabile per elaborare l'immagine medica per mapparla su un layout di riferimento grafico predeterminato. Di conseguenza, ? possibile impostare un sistema di riferimento grafico comune tra immagini della stessa natura.

Secondo un esempio, per migliorare ulteriormente le prestazioni dell'apparato, il dispositivo di archiviazione pu? essere azionabile per archiviare una pluralit? di immagini di riferimento mediche che sono mappate sul layout grafico predeterminato. Ogni immagine medica di riferimento ha metadati di immagine di riferimento associati che includono rispettivi dati sul movimento oculare, dati della reazione neurofisica e dati delle caratteristiche dell'immagine. In aggiunta, il processore pu? essere azionabile per confrontare i metadati di diagnosi dell'immagine con i metadati dell'immagine di riferimento delle immagini di riferimento mediche in modo da addestrare il modello di generazione del percorso visuo-spaziale usando l'apprendimento automatico.

Vantaggiosamente, in un esempio, l'apparato pu? essere azionabile per ricevere la pluralit? di immagini di riferimento mediche insieme ai loro metadati delle immagini di riferimento associati da un database di immagini di riferimento mediche attraverso una rete. In particolare, l'apparato pu? essere azionabile per sintonizzare il modello di generazione del percorso cognitivo e visuo-spaziale quando una nuova immagine di riferimento medica con metadati di immagini di riferimento associati viene aggiunta al database di immagini di riferimento mediche in base alla nuova immagine di riferimento medica e ai suoi metadati di immagini di riferimento associati.

Al fine di facilitare la determinazione di particolari regioni delle immagini mediche, in un esempio, le caratteristiche dell'immagine possono comprendere uno o pi? punti di riferimento e/o una o pi? aree di interesse.

In un ulteriore esempio, il dispositivo di archiviazione pu? essere azionabile per archiviare dati utente che indicano informazioni sull'utente, e i metadati di diagnosi dell'immagine includono le informazioni sull'utente. In questo modo, ? possibile stabilire un collegamento diretto tra l'utente e la diagnosi effettuata su una particolare immagine medica.

In un altro esempio, il processore pu? essere azionabile per correlare i dati della reazione neurofisica con i dati del movimento oculare da includere nei metadati di diagnosi dell'immagine per addestrare il modello di generazione del percorso cognitivo e visuospaziale.

In un ulteriore esempio, il dispositivo di visualizzazione pu? essere azionabile per visualizzare l'immagine medica insieme al percorso visuo-spaziale generato dal modello di generazione del percorso cognitivo e visuo-spaziale. In questo modo, il percorso visuo-spaziale ? immediatamente identificabile sull'immagine medica su cui viene effettuata una diagnosi.

La reazione di un medico di fronte all'immagine ? registrata sotto forma di attivit? biologica e viene raccolta in un hub di dati. Per ogni medico, vengono registrate diverse informazioni personali allo scopo di raggruppare le reazioni (specializzazione, et?, anni di esperienza, ecc....). In questo modo, una rete di medici potrebbe condividere informazioni sul modo di analizzare un'immagine medica. Inoltre, raccogliendo diverse reazioni, l'apparato 1 ? configurato per imparare ad analizzare in modo efficiente un'immagine medica, mettendo in risalto non solo il percorso visivo di riferimento per una buona diagnosi ma anche sottolineando quali dettagli sono pi? pertinenti allo scopo in base alle reazioni cognitive associate all'ispezione visiva-spaziale. Questa intera ispezione "aumentata" dell'immagine potrebbe essere utilizzata per la formazione di nuovi medici.

Le reazioni cliniche raccolte e classificate possono essere considerate come moderatori statistici. Una volta raggruppate, a causa del fatto che ciascuna reazione ? associata al rispettivo risultato della diagnosi formulato dal medico, il sistema di IA fornisce per ciascun cluster i migliori percorsi di ispezione visiva-spaziale-cognitiva facendo la media di ciascuna reazione appartenente al singolo cluster per ciascuna immagine esaminata. Successivamente, il sistema ? in grado di estendere e generare i percorsi ottimali di ispezione visiva-spaziale-cognitiva per una nuova immagine (ovvero un'immagine che non ? mai stata esaminata per la diagnosi da un medico). Al fine di valutare l'efficienza e costruire un sistema utile, l'IA viene addestrata utilizzando una logica di partizionamento del set di dati di addestramento e convalida. Il confronto tra il processo visivo-spaziale-cognitivo dell'utente e quello ricostruito da altri medici appartenenti a uno specifico cluster consente un trasferimento delle conoscenze che veicola un efficiente processo di ragionamento nei nuovi medici con conseguente diagnosi pi? precisa.

Come detto sopra, l'apparato 1 si basa sull'intelligenza artificiale e si sviluppa attraverso una logica consequenziale di raccolta di dati (ovvero registrazioni) da utilizzare per addestrare un modello e sintonizzare i parametri del modello al fine di ottenere un risultato soddisfacente in termini di prestazioni. Il modello generato pu? essere utilizzato per produrre nuovi risultati e quindi prevedere un output. In questo particolare quadro, la generazione di uno specifico output ? intesa come la generazione di uno specifico percorso visuo-spaziale cognitivo focalizzato sull'identificazione di quanto segue:

a. le porzioni dell'immagine pi? significative in un'ispezione al fine di giungere a una diagnosi corretta;

b. la sequenza temporale in cui tali porzioni sono esaminate; e

c. il "peso" attribuito a ciascuna di queste porzioni.

In questo caso, ? possibile sviluppare diverse configurazioni del modello in base ai diversi cluster identificati tra i moderatori delle singole registrazioni (ad esempio anni di esperienza, specializzazione, numero di diagnosi elaborate, ecc.). Come menzionato in precedenza, negli esempi, i dati utente possono indicare informazioni sull'utente, e i metadati di diagnosi dell'immagine possono includere le informazioni sull'utente.

Un esempio ? illustrato nella Figura 4, in cui viene mostrata una mappa di calore 10 di un'immagine a raggi X del torace di un paziente. Le porzioni pi? significative dell'immagine (A, B, C e D) sono identificate sul lato destro, ad esempio con un colore particolare. Le aree non osservate dell'immagine (X) si trovano sul lato sinistro e sono identificate, ad esempio, con un colore diverso. Inoltre, la sequenza temporale di osservazione pu? essere identificata attraverso una serie di frecce e il peso attribuito a ciascuna porzione pu? essere identificato con un'area pi? grande o pi? piccola. Secondo l'immagine della Figura 4, al fine di ottenere la diagnosi, l'utente si concentra fondamentalmente esclusivamente sul lato destro dell'immagine. In particolare, l'utente ha esaminato quattro porzioni (A-D) a partire dall'angolo superiore sinistro (A) dell'immagine e terminando sulla regione inferiore (D) dell'immagine seguendo un preciso percorso visivo, ovvero da A B, da B a C e da C a D. Si noti che la porzione pi? rilevante pu? essere la porzione B avente un'area maggiore rispetto alle altre porzioni. Ad esempio, l'utente avrebbe potuto dedicare un periodo di tempo pi? lungo all'ispezione di questa porzione B o un particolare segnale biologico avrebbe potuto indicare che l'utente ha sentito una particolare sensazione durante l'ispezione della porzione B, ad esempio misurando il battito cardiaco o il diametro della pupilla. Di conseguenza, l'ispezione di questa porzione pu? essere considerata molto probabilmente fondamentale per ottenere la diagnosi finale. In altre parole, in un esempio, i dati del percorso cognitivo visuo-spaziale possono comprendere dati di significativit? indicativi di un'importanza delle aree dell'immagine medica corrispondenti alle una o pi? delle caratteristiche dell'immagine nel giungere alla diagnosi corretta. I dati di significativit? possono indicare ad esempio l'importanza delle aree, ad esempio il tempo di permanenza del movimento oculare su una particolare area, il numero di ritorni del movimento oculare su una particolare area, ecc. In un ulteriore esempio, i dati del percorso cognitivo visuo-spaziale possono comprendere dati di ordine temporale che indicano un ordine in cui le aree dell'immagine medica corrispondenti alle caratteristiche dell'immagine sono state esaminate dall'utente. In questo modo, ? possibile determinare una sequenza di area esaminata prima di raggiungere una diagnosi.

La registrazione singola ? costituita dai segnali biologici raccolti durante la visualizzazione di un'immagine medica, dalle informazioni personali del soggetto (ad esempio moderatori), dalla diagnosi e dall'immagine e dal tipo (ad esempio radiografia polmonare, ecografia addominale, esame del sangue, ecc.) dell'immagine. In una fase di addestramento e costruzione del modello, l'algoritmo pu? essere alimentato con le diverse registrazioni appartenenti a un cluster specifico identificato tra i moderatori e il tipo di immagine.

A titolo esemplificativo, un set di dati di addestramento pu? essere costituito da diverse registrazioni appartenenti a radiologi con oltre 20 anni di esperienza che hanno visto immagini di radiografia polmonare. In un primo passaggio, un sistema di riconoscimento di immagini identifica alcuni punti di riferimento (ad esempio carena) e divide l'immagine in aree di interesse (AOI, Area Of Interest) ad esempio attraverso la reticolazione dell'immagine. In altre parole, ad esempio, le caratteristiche dell'immagine possono comprendere uno o pi? punti di riferimento e/o una o pi? aree di interesse. Le caratteristiche sono definite per ciascuna AOI dell'immagine in base al contenuto di informazioni grafiche, ad esempio, la localizzazione morfologica e il valore medio della scala di grigi. Per ogni AOI possono essere calcolati diversi indici basati su segnali biologici, come il tempo di fissazione, il numero di fissazione, il livello di attenzione, il livello di stress, la distanza spaziale tra l'AOI e la distanza visualizzata nella fissazione precedente.

Avendo quindi imposto un sistema di riferimento grafico comune tra immagini della stessa natura (ovvero radiografia polmonare), ? possibile confrontare le registrazioni tra loro creando un set di dati adeguato per l'addestramento del modello. In altre parole, come menzionato sopra, negli esempi le immagini mediche possono essere elaborate per mapparle su un layout di riferimento grafico predeterminato. In questo modo, il risultato ottenuto pu? essere considerato come una media delle singole registrazioni e quindi dei singoli processi cognitivi visuo-spaziali.

Una volta definite le caratteristiche generali e puntuali di ogni AOI, si pu? calcolare una rete di probabilit? da cui ? possibile determinare una sorta di sequenza di AOI - e la corrispondente significativit? (ovvero il peso per ogni AOI) - un'immagine di radiografia polmonare verrebbe osservata da una persona di tipo radiologo con pi? di 20 anni di esperienza. Questa rete, simile a un processo stocastico di Markov, ? quindi costituita da diversi stati del sistema che sono rappresentati dall'AOI e dalla probabilit? di transizione dello stato, che considerano anche le transizioni passate. Per quantificare le probabilit? di transizione individuali, ? possibile utilizzare una foresta casuale multinomiale per ogni AOI. In questa prospettiva, lo spazio della variabile di interesse multinomiale ? costituito dalle diverse AOI dell'immagine, mentre lo spazio dei predittori ? formato dagli indici (ovvero caratteristiche) calcolati per la particolare AOI in cui si trova il sistema (ovvero stato attuale del sistema). A queste caratteristiche, oltre alle caratteristiche del segnale, si possono aggiungere indici che riassumono il percorso cognitivo e visivo messo in atto fino alla visualizzazione dell'AOI attuale. In altre parole, come detto sopra, negli esempi, i metadati di diagnosi dell'immagine vengono confrontati con i metadati dell'immagine di riferimento delle immagini di riferimento mediche in modo da addestrare il modello di generazione del percorso visuo-spaziale utilizzando l'apprendimento automatico.

La configurazione del modello cos? generato ? in grado di:

? ricevere una nuova immagine di radiografia polmonare, ovvero mai analizzata nel database di addestramento;

? individuare alcuni punti di riferimento per l'analisi grafica;

? suddividere l'immagine in AOI di misura adeguata;

? attribuire a ciascuna AOI le proprie caratteristiche grafiche; e

? restituire il processo cognitivo visuo-spaziale che meglio identifica l'ispezione dell'immagine da parte di un radiologo con 20 anni di esperienza, attribuendo a ogni AOI, non solo la posizione del tempo di visualizzazione ma anche il grado di interesse per una corretta diagnosi.

L'apparato 1 ha lo scopo di studiare, modellare, riprodurre e quindi convertire il comportamento o processo cognitivo umano in intelligenza artificiale attraverso l'analisi del processo di visualizzazione di un'immagine medica e/o di referti da parte di un LUPD1428554/1 - diagnosi di immagini mediche

PRIVATO E CONFIDENZIALE

medico (ad esempio TC, RM, esami del sangue, ecc?). Invece di sviluppare semplicemente un sistema in grado di diagnosticare automaticamente uno stato patologico in modo indipendente attraverso un precedente addestramento su un database di immagini, lo scopo del presente apparato 1 ? quello di generare un modulo di intelligenza artificiale che sia in grado di identificare e modellare i pattern cognitivovisivo-spaziali del medico efficaci per l'osservazione di immagini e/o referti e quindi per la deduzione di una diagnosi.

Utilizzando diversi sensori (tracciatore oculare, gsr, ppg, eeg, ecc...), ? possibile studiare il processo cognitivo alla base dell'esplorazione dell'immagine. Questo viene fatto estraendo e acquisendo segnali biologici, oggettivando reazioni neurofisiologiche e misurando in tempo reale l'attenzione prestata a ciascuna area della stessa immagine. Raccogliendo e raggruppando le diverse acquisizioni secondo diversi parametri di stratificazione (moderatori/variabili simulate; ad esempio esperienza medica, specialit?, ecc.), ? possibile generare uno o pi? modelli identificando le migliori pratiche e conoscenze per ciascun cluster. Gli algoritmi sviluppati con il presente metodo 100 promuovono un nuovo tipo di apprendimento non pi? basato sul risultato ma sul processo cognitivo umano utilizzato per ottenere il risultato stesso. Infatti, uno degli scopi principali nell'uso del presente metodo e apparato ? quello di ridurre l'errore umano causato da una cattiva prassi spesso non rilevata, analizzando le prestazioni e non semplicemente il risultato.

In altre parole, l'apparato o una piattaforma che utilizza l'apparato, apprende dagli esseri umani ed evidenzia il meglio del loro ragionamento visivo, vale a dire quali modelli, quali percorsi, quali punti di attenzione sono stati efficaci per il successo della diagnosi.

In questo modo, ? possibile ottenere uno schema di formazione personalizzato per un utente che viene formato, identificando specifici cluster di apprendimento comprendenti tutti gli utenti, in cui un sistema di IA supporta l'utente evidenziando quali sono i tipici errori di cluster ed eventualmente gli errori di ragionamento visivo dell'utente stesso. In altre parole, ? possibile rendere l'utente consapevole dei propri processi per effettuare una diagnosi. Trasformando un processo cognitivo analogico in un processo digitale e ripetibile, ? possibile sviluppare un sistema di intelligenza naturale aumentata basato sull'auto-consapevolezza. Inoltre, i dati vengono utilizzati per addestrare un modello di intelligenza artificiale con un'interfaccia uomo-macchina naturale che interpreta i processi cognitivi basati sulla vista come input per il processo decisionale. I dati di interesse da analizzare non sono i risultati raggiunti ma piuttosto i processi eseguiti per ottenere tali risultati.

Di conseguenza, come mostrato nella Figura 5, possono essere identificati tre livelli di applicazione: formazione 301, auto-consapevolezza 302 e apprendimento da uomo a macchina 303.

1) FORMAZIONE - Apprendimento degli operatori sanitari

In questa prima area di applicazione 301, l'apparato addestrato pu? essere usato per scopi educativi e trasferimento di conoscenze tra professionisti del settore. Un medico alle prime armi pu? apprendere le strategie cognitivo-visivo-spaziali messe in atto da colleghi pi? esperti per analizzare un'immagine medica. Ci? pu? avvenire attraverso l'obiettivit? dei dati cognitivi e biologici fino a ora non considerati per il trasferimento delle conoscenze.

In altre parole, ? come se la coscienza di un medico alle prime armi fosse interamente proiettata nel corpo di un modello medico per il tempo necessario ad apprendere e formulare la diagnosi.

2) AUTO-CONSAPEVOLEZZA - Confronto di ragionamenti visivi

In questa seconda area di applicazione 302, ? possibile informare l'utente medico del proprio processo cognitivo-visivo-spaziale per ottenere la diagnosi, promuovendo un aumento nell'auto-consapevolezza di tali processi.

3) APPRENDIMENTO DA UOMO A MACCHINA- Report dell'Intelligenza Artificiale In questa terza area di applicazione 303, la raccolta dei diversi segnali cognitivo-biologici alla base del processo di ispezione dell'immagine clinica pu? essere utilizzata per sviluppare modelli di intelligenza artificiale aumentando l'efficacia e l'accuratezza di coloro che utilizzano solo i risultati diagnostici correlati. Di conseguenza, una macchina che esegue azioni diagnostiche pu? essere creata sulla base di algoritmi sequenziali di apprendimento delle decisioni.

La Figura 6 illustra schematicamente un esempio del processo 400, in cui un utente (medico #1) osserva un'immagine medica e/o un referto attraverso una piattaforma dotata di diversi sensori 401. Una diagnosi sull'immagine e un referto corrispondente (#1) vengono ottenuti mentre l'utente viene "osservato" dai sensori, tra cui il tracciatore oculare e sensori biologici aggiuntivi. Da questo processo di "osservazione dei sensori", il dashboard dei sensori estrae diversi tipi di segnali di qualit? non elaborata (ovvero man mano che vengono raccolti) che vengono sincronizzati sia tra loro che con i segnali del movimento oculare, in modo da avere una corrispondenza unica tra ogni timestamp e le informazioni registrate nel corso del processo 402. Secondo questo esempio, viene utilizzata una pluralit? di sensori biologici, come GSR, PPG, diametro pupillare, EEG, fNIRS, espressione facciale, o altri sensori appropriati.

I segnali ottenuti dal processo di sincronizzazione passano attraverso un passaggio di elaborazione dei dati 403 a due stadi. Ogni segnale viene filtrato con tecniche appropriate e personalizzate volte a ridurre il rumore tipico del segnale o dovuto a artefatti umani. Questi segnali filtrati subiscono tecniche di analisi numerica per estrarre indici e segnali che rappresentano tendenze o cifre di merito esplicative dello stato cognitivo ed emotivo dell'utente. In particolare, mentre il sistema acquisisce continuamente segnali dai diversi sensori, il sistema di software integrato filtra e analizza i segnali. L'analisi consiste nella ricerca automatica di un pattern specifico nei valori dei segnali. Inoltre, nel file digitale vengono salvati tutti i metadati fisiologici registrati (come in formato "non elaborato", ad esempio l'output di dati dai rispettivi sensori) insieme alle informazioni del medico (dati utente e metadati utente come diagnosi e informazioni personali) 404. Una volta estratti, gli output di segnale sono pronti per essere utilizzate per addestrare il modello di generazione del percorso cognitivo e visuo-spaziale in un sistema di apprendimento automatico (ML, Machine Learning) 405. Questo sistema riceve gli output in entrata della fase di filtraggio, elaborazione e analisi e, sulla base delle informazioni del medico e dei segnali del movimento oculare, genera dati del percorso cognitivo visuo-spaziale definendo un percorso visuo-spaziale rispetto all'immagine medica insieme ai dati della reazione neurofisica associati che sono indicativi di una significativit? attribuita dal medico alle regioni dell'immagine medica durante l'esecuzione di una diagnosi per giungere a una diagnosi corretta.

La Figura 7 illustra schematicamente l'uso 500 del presente apparato 1. L'utente osserva un'immagine medica e l'attivit? biologica viene rilevata attraverso una pluralit? di sensori 501. Sia l'immagine o il referto che le informazioni biologiche dell'utente vengono analizzate e utilizzate in un algoritmo di apprendimento automatico 502. Sulla base di ci?, ? possibile seguire tre possibili applicazioni, vale a dire un'implementazione di addestramento 503, un'implementazione di auto-consapevolezza 504 e un'implementazione di apprendimento da uomo a macchina 505. Nell'implementazione di addestramento 503 (insieme a una sintonizzazione del cluster), si considera come un clinico appartenente a un cluster desiderato analizzerebbe l'immagine o il referto ispezionato dall'utente. Di conseguenza, viene determinato 506 l'output cognitivo visuospaziale (ad esempio mappa di calore, percorso cognitivo, indici cognitivi, dettagli salienti di immagini o referti, etichettatura cognitiva del percorso visivo, ecc.). Nell'implementazione di auto-consapevolezza 504, si considera il modo in cui l'utente ha analizzato l'immagine o il referto. Anche in questo caso, viene determinato 506 l'output cognitivo visuo-spaziale (ad esempio mappa di calore, percorso cognitivo, indici cognitivi, dettagli salienti di immagini o referti, etichettatura cognitiva del percorso visivo, ecc.). Nell'implementazione di apprendimento da uomo a macchina 505, si considera quale sia la diagnosi di sistema dell'immagine o del referto esaminato. Di conseguenza, pu? essere determinata una diagnosi corrispondente.

La Figura 8 mostra schematicamente un sistema informatico per implementare metodi e tecniche di esempi della descrizione. In particolare, la Figura 8 mostra un esempio di un dispositivo informatico 2000 che pu? essere disposto ad esempio per implementare uno o pi? degli esempi dei metodi qui descritti. Negli esempi, il dispositivo di elaborazione 2000 comprende l'unit? principale 2002. L'unit? principale 2002 pu? comprende un processore 2004 e una memoria di sistema 2006. Negli esempi, il processore 2004 pu? comprendere un core di processore 2008, una cache 2010 e uno o pi? registri 2012. Negli esempi, il core di processore 2008 pu? comprendere uno o pi? core di elaborazione e pu? comprendere una pluralit? di core che possono eseguire una pluralit? di thread. Il processore 2004 pu? essere di qualsiasi tipo adatto come microcontroller, microprocessore, processore di segnali digitali o una combinazione di questi, sebbene si apprezzer? che possono essere usati altri tipi di processore.

Negli esempi, il core di processore 2008 pu? comprendere una o pi? unit? di elaborazione. Negli esempi, il core di processore 2008 comprende una o pi? tra un'unit? di calcolo in virgola mobile, un'unit? aritmetica, un'unit? di elaborazione di segnali digitali o una combinazione di queste e/o una pluralit? di altre unit? di elaborazione, sebbene si apprezzer? che possono essere utilizzate altre unit? di elaborazione. Negli esempi, la cache 2010 pu? comprendere una pluralit? di cache come una cache di livello uno e una cache di livello due, sebbene sia possibile utilizzare altre disposizioni di cache appropriate.

Negli esempi, il processore 2004 comprende un controller di memoria 2014 utilizzabile per consentire la comunicazione tra il processore 2004 e la memoria di sistema 2006 tramite un bus di memoria 2016. Il controller di memoria 2014 pu? essere implementato come parte integrante del processore 2004, o pu? essere implementato come componente separato.

Negli esempi, la memoria di sistema 2006 pu? essere di qualsiasi tipo adatto come una memoria non volatile (ad esempio una memoria flash o una memoria di sola lettura), una memoria volatile (come una memoria ad accesso casuale (RAM, Random Access Memory)), e/o una combinazione di una memoria volatile e una memoria non volatile. In alcuni esempi, la memoria di sistema 2006 pu? essere predisposta per archiviare codice per l'esecuzione da parte del processore 2004 e/o dati correlati all'esecuzione. Ad esempio, la memoria di sistema pu? archiviare il codice del sistema operativo 2018, il codice dell'applicazione 2020 e i dati di programma 2022. Negli esempi, il codice di applicazione 2020 pu? comprendere un codice per implementare uno o pi? dei metodi di esempio qui descritti, ad esempio per implementare i passaggi descritti sopra con riferimento alle Figure 3, 6 e 7. Il codice di applicazione 2020 pu? essere disposto in modo da cooperare con i dati di programma 2022 o altri supporti, ad esempio per consentire l'addestramento del modello di generazione di percorso cognitivo e visuospaziale.

Negli esempi, il dispositivo di elaborazione 2000 pu? avere caratteristiche, funzionalit? o interfacce aggiuntive. Ad esempio, l'unit? principale 2002 pu? cooperare con uno o pi? dispositivi periferici, ad esempio per implementare i metodi qui descritti. Negli esempi, il dispositivo informatico 2000 comprende, come dispositivi periferici, un'interfaccia di output 2024, un'interfaccia periferica 2026, un dispositivo di archiviazione 208 e un modulo di comunicazione 2030. Negli esempi, il dispositivo informatico comprende un bus di interfaccia 2032 disposto per facilitare la comunicazione tra l'unit? principale 2002 e i dispositivi periferici.

Negli esempi, il dispositivo di output 2024 pu? comprendere dispositivi di output come un'unit? di elaborazione grafica (GPU, Graphical Processing Unit) 2034 e un'unit? di output audio 2036 ad esempio disposte per essere in grado di comunicare con dispositivi esterni come un display e/o un altoparlante, attraverso una o pi? porte adatte come una porta audio/video (A/V). Negli esempi, l'interfaccia periferica 2026 pu? comprendere un'interfaccia seriale 2038, un'interfaccia parallela 2040 e una o pi? porte di input/output 2042 che possono essere azionabili per cooperare con l'unit? principale 2002 per consentire la comunicazione con uno o pi? dispositivi di input e/o output esterni tramite la porta I/O 2042. Ad esempio, la porta I/O 2042 pu? comunicare con uno o pi? dispositivi di input come una tastiera, un mouse, un touch pad, un dispositivo di input vocale, uno scanner, un dispositivo di acquisizione di immagini, una videocamera e simili e/o con uno o pi? dispositivi di output come una stampante 2D (ad esempio una stampante di carta) o una stampante 3D o un altro dispositivo di output adatto. Ad esempio, i segnali possono essere ricevuti tramite la porta I/O 2042 e/o il modulo di comunicazione 2030.

Negli esempi, il dispositivo di archiviazione pu? comprendere supporti di archiviazione rimovibili 2044 e/o supporti di archiviazione non rimovibili 2046. Ad esempio, i supporti di archiviazione rimovibili possono essere memoria ad accesso casuale (RAM), memoria di sola lettura programmabile cancellabile elettricamente (EEPROM, Electrically Erasable Programmable Read Only Memory), memoria flash di sola lettura (ROM) o altra tecnologia di memoria, supporti di archiviazione ottica come compact disc (CD) disco versatile digitale (DVD, Digital Versatile Disc) o altri supporti di archiviazione ottica, supporti di archiviazione magnetica come floppy disc, nastro magnetico o altri supporti di archiviazione magnetica. Tuttavia, si apprezzer? la possibilit? di utilizzare qualsiasi tipo adatto di supporto di archiviazione rimovibile. I supporti di archiviazione non rimovibili 2046 possono comprendere un supporto di archiviazione magnetica come un'unit? disco rigido, o unit? disco rigido a stato solido, o altri supporti adatti, anche se si apprezzer? che pu? essere usato qualsiasi supporto di archiviazione non rimovibile adatto. Il dispositivo di archiviazione 2028 pu? consentire l'accesso da parte dell'unit? principale 2002, ad esempio per implementare i metodi qui descritti.

Negli esempi, il modulo di comunicazione pu? comprendere un modulo di comunicazione wireless 2048 e un modulo di comunicazione cablata 2050. Ad esempio, il modulo di comunicazione wireless pu? essere predisposto per comunicare in modalit? wireless tramite uno standard di comunicazione wireless adatto, ad esempio relativo a wifi, Bluetooth, comunicazione di prossimit? (Near Field Communication), comunicazione ottica (come infrarossi), comunicazione acustica, o tramite uno standard di telecomunicazione mobile adatto. Il modulo di comunicazione cablato pu? consentire la comunicazione tramite un collegamento cablato o ottico, ad esempio tramite Ethernet o cavo ottico. Tuttavia, si apprezzer? la possibilit? di utilizzare qualsiasi modulo di comunicazione adatto.

Con riferimento alle Figure da 1 a 7, il modulo di addestramento o il modulo di analisi possono essere implementati, ad esempio, dal processore. Negli esempi, uno o pi? dei moduli di addestramento e/o analisi possono essere implementati dall'unit? principale 2002, sebbene si apprezzer? che potrebbero essere utilizzate altre implementazioni adatte. Negli esempi, il modulo di addestramento o analisi pu? essere implementato dall'unit? principale 2002 in cooperazione con il dispositivo di output 2024, sebbene si apprezzer? la possibilit? di utilizzare altre implementazioni adatte.

Si apprezzer? che, in esempi della descrizione, gli elementi dei metodi descritti possono essere implementati in un dispositivo informatico in qualsiasi modo adatto. Ad esempio, un dispositivo informatico convenzionale pu? essere atto a eseguire uno o pi? dei metodi descritti in questa sede programmando/adattando uno o pi? processori del dispositivo informatico. Come tale, negli esempi, la programmazione/l'adattamento pu? essere implementata/o sotto forma di un prodotto di programma informatico comprendente istruzioni implementabili al computer archiviate su una portante di dati e/o trasportate da un supporto contenente segnali, come un floppy disk, un disco rigido, un disco ottico, un'unit? a stato solido, una memoria flash, una memoria programmabile di sola lettura (PROM), una memoria ad accesso casuale (RAM), o qualsiasi combinazione di questi o altri supporti di archiviazione o supporto contenente segnali, o trasmesse attraverso una rete come una rete wireless, Ethernet, Internet, o qualsiasi altra combinazione di queste o altre reti.

In altre parole, negli esempi, un programma informatico pu? comprendere istruzioni leggibili al computer che, quando implementate su un dispositivo informatico, fanno s? che il dispositivo informatico esegua un metodo secondo esempi della descrizione. Negli esempi, un supporto di archiviazione pu? comprendere il programma informatico, ad esempio, come menzionato sopra. Ci si render? inoltre conto che potrebbero essere utilizzate altre architetture informatiche adatte come quelle basate su uno o pi? processori paralleli. Inoltre, almeno alcune elaborazioni possono essere implementate su una o pi? unit? di elaborazione grafica (GPU). Sebbene il dispositivo informatico 2000 sia descritto come un dispositivo informatico di uso generale, si apprezzer? che questo potrebbe essere implementato in qualsiasi dispositivo appropriato, come telefono cellulare, smartphone, fotocamera, videocamera, dispositivo tablet, dispositivo server, ecc.? con modifiche e/o adattamento, se del caso, alle caratteristiche descritte sopra, ad esempio a seconda della funzionalit? e delle caratteristiche hardware desiderate.

Il presente apparato 1 e il metodo 100 trovano fondamentalmente applicazione nel quadro di diagnostica di immagini mediche. Ad esempio, un medico che guarda un'immagine medica digitalizzata pu? produrre un'immagine modificata arricchita con i suoi segnali biologici e le sue informazioni. Quindi, questa elaborazione pu? essere condivisa tra diversi colleghi al fine di evidenziare e comprendere il peso associato a ciascuna area istantanea di visualizzazione a seconda del segnale registrato (ad esempio mappa di calore). La raccolta delle diverse visualizzazioni pu? essere utilizzata per addestrare un algoritmo (ad esempio algoritmo di IA) a supporto dell'esplorazione delle immagini del medico e riportare un'ulteriore interpretazione dello stimolo, aggiungendo automaticamente le conoscenze estratte da altri utenti (ad esempio, un sistema decisionale di supporto alle immagini mediche). Nello stesso contesto, ? possibile usare le cartelle cliniche visualizzate sullo schermo invece dell'immagine medica digitalizzata come stimolo visivo. Ad esempio, il sistema pu? registrare quali informazioni contenute nella registrazione sono state osservate per un periodo di tempo pi? lungo e con maggiore attenzione. In un altro scenario, il presente apparato 1 e il metodo 100 possono essere usati per l'elaborazione di uno stimolo audio-visivo proposto a un paziente per la valutazione neurocognitiva e la riabilitazione. L'output pu? essere confrontato tra diversi soggetti al fine di valutare la possibilit? di disturbo cognitivo. Inoltre, ? possibile generare una valutazione automatizzata tenendo traccia delle precedenti stimolazioni dell'utente e utilizzando un algoritmo di IA dedicato, ad esempio in base al modello di generazione del percorso cognitivo e visuo-spaziale e/o al modello di diagnosi di immagini mediche.

Sebbene nel presente contesto siano state descritte una variet? di tecniche ed esempi di tali tecniche, queste sono fornite solo a titolo esemplificativo e molte variazioni e modifiche su tali esempi risulteranno evidenti all'esperto del ramo e ricadranno nello spirito e nell'ambito della presente invenzione, che ? definita dalle rivendicazioni allegate e dai loro equivalenti.

Claims

RIVENDICAZIONI BREVETTUALI

1. Apparato (1) per l'addestramento di un modello di diagnosi di immagini mediche che si basa su un modello di generazione di un percorso cognitivo e visuo-spaziale, l'apparato (1) comprendendo:

un dispositivo di visualizzazione (2) azionabile per visualizzare un'immagine medica da esaminare per una condizione medica da parte di un utente, l'immagine medica essendo associata a un tipo di immagine;

un tracciatore di movimento oculare (3) azionabile per tracciare il movimento oculare dell'utente mentre visualizza l'immagine medica durante l'esecuzione di una diagnosi della condizione medica associata all'immagine medica, in modo da generare dati di movimento oculare;

uno o pi? sensori biologici (4) azionabili per misurare segnali biologici indicativi di una reazione neurofisiologica dell'utente mentre ispeziona l'immagine medica, in modo da generare dati di reazione neurofisica;

un dispositivo di archiviazione (5) azionabile per archiviare i dati diagnostici indicativi di una diagnosi della condizione medica associata all'immagine medica da parte dell'utente, e per archiviare il modello di generazione del percorso cognitivo e visuo-spaziale; e

un processore (6) azionabile per:

analizzare l'immagine medica per identificare le caratteristiche di immagine dell'immagine medica che provengono da una serie di caratteristiche dell'immagine associate al tipo di immagine dell'immagine medica, in modo da generare dati delle caratteristiche dell'immagine;

associare le caratteristiche dell'immagine come indicato dai dati delle caratteristiche dell'immagine ai dati del movimento oculare e ai dati della reazione neurofisica in modo da generare metadati di diagnosi dell'immagine; e

addestrare il modello di generazione del percorso cognitivo e visuo-spaziale per generare dati del percorso cognitivo visuo-spaziale in base ai metadati di diagnosi dell'immagine, in cui i dati del percorso cognitivo visuo-spaziale definiscono un percorso visuo-spaziale rispetto all'immagine medica insieme ai dati della reazione neurofisica associati che sono indicativi di una significativit? attribuita dall'utente alle regioni dell'immagine medica quando esegue una diagnosi per giungere a una diagnosi corretta.

2. Apparato (1) secondo la rivendicazione 1, in cui i dati del percorso cognitivo visuo-spaziale comprendono dati di significativit? indicativi di un'importanza di aree dell'immagine medica corrispondenti alle una o pi? delle caratteristiche dell'immagine per giungere alla diagnosi corretta.

3. Apparato (1) secondo la rivendicazione 1 o la rivendicazione 2, in cui i dati del percorso cognitivo visuo-spaziale comprendono dati di ordine temporale indicanti un ordine in cui le aree dell'immagine medica corrispondenti alle caratteristiche dell'immagine sono state esaminate dall'utente.

4. Apparato (1) secondo una qualsiasi delle rivendicazioni precedenti, in cui il processore (6) ? azionabile per elaborare l'immagine medica per mapparla su un layout di riferimento grafico predeterminato.

5. Apparato (1) secondo la rivendicazione 4, in cui:

il dispositivo di archiviazione (5) ? azionabile per archiviare una pluralit? di immagini mediche di riferimento che sono mappate sul layout grafico predeterminato, ciascuna immagine medica di riferimento avente metadati di immagine di riferimento associati che includono rispettivi dati del movimento oculare, dati della reazione neurofisica e dati delle caratteristiche dell'immagine; e

il processore (6) ? azionabile per confrontare i metadati di diagnosi dell'immagine con i metadati dell'immagine di riferimento delle immagini di riferimento mediche in modo da addestrare il modello di generazione del percorso visuo-spaziale usando l'apprendimento automatico.

6. Apparato (1) secondo la rivendicazione 5, in cui l'apparato (1) ? azionabile per ricevere la pluralit? di immagini di riferimento mediche insieme ai loro metadati di immagini di riferimento associati da un database di immagini di riferimento mediche attraverso una rete.

7. Apparato (1) secondo la rivendicazione 6, in cui l'apparato (1) ? azionabile per sintonizzare il modello di generazione del percorso cognitivo e visuo-spaziale quando una nuova immagine di riferimento medica con metadati di immagini di riferimento associati viene aggiunta al database di immagini di riferimento mediche in base alla nuova immagine di riferimento medica e ai suoi metadati di immagini di riferimento associati.

8. Apparato (1) secondo una qualsiasi rivendicazione precedente, in cui le caratteristiche dell'immagine comprendono uno o pi? punti di riferimento, e/o una o pi? aree di interesse.

9. Apparato (1) secondo una qualsiasi rivendicazione precedente, in cui il dispositivo di archiviazione (5) ? azionabile per archiviare dati utente che indicano informazioni sull'utente, e i metadati di diagnosi dell'immagine includono le informazioni sull'utente.

10. Apparato (1) secondo una qualsiasi rivendicazione precedente, in cui il processore (6) ? azionabile per correlare i dati della reazione neurofisica con i dati del movimento oculare da includere nei metadati di diagnosi dell'immagine per addestrare il modello di generazione del percorso cognitivo e visuo-spaziale.

11. Apparato (1) secondo una qualsiasi rivendicazione precedente, in cui il dispositivo di visualizzazione (2) ? azionabile per visualizzare l'immagine medica insieme al percorso visuo-spaziale generato dal modello di generazione del percorso cognitivo e visuo-spaziale.

12. Metodo (100) per l'addestramento di un modello di diagnosi di immagini mediche basato su un modello di generazione di un percorso cognitivo e visuo-spaziale, il metodo comprendendo:

la visualizzazione (S101), su un dispositivo di visualizzazione (2), di un'immagine medica che deve essere esaminata per una condizione medica da un utente, l'immagine medica essendo associata a un tipo di immagine;

il tracciamento (S102), mediante un tracciatore di movimento oculare (3), del movimento oculare dell'utente mentre visualizza l'immagine medica durante l'esecuzione di una diagnosi della condizione medica associata all'immagine medica, in modo da generare dati di movimento oculare;

la misurazione (S103), utilizzando uno o pi? sensori biologici (4), di segnali biologici indicativi di una reazione neurofisiologica dell'utente mentre esamina l'immagine medica, in modo da generare dati di reazione neurofisica;

l'archiviazione (S104), utilizzando un dispositivo di archiviazione (5), di dati diagnostici indicativi della diagnosi della condizione medica associata all'immagine medica da parte dell'utente, e il modello di generazione del percorso cognitivo e visuospaziale;

l'analisi (S105), mediante un processore (6), dell'immagine medica per identificare le caratteristiche di immagine dell'immagine medica che provengono da una serie di caratteristiche dell'immagine associate al tipo di immagine dell'immagine medica, in modo da generare dati delle caratteristiche dell'immagine;

l'associazione (S106), mediante il processore (6), delle caratteristiche dell'immagine come indicato dai dati delle caratteristiche dell'immagine ai dati del movimento oculare e ai dati della reazione neurofisica in modo da generare metadati di diagnosi dell'immagine; e

l'addestramento (S107), utilizzando il processore (6), del modello di generazione del percorso cognitivo e visuo-spaziale per generare dati del percorso cognitivo visuospaziale in base ai metadati di diagnosi dell'immagine, in cui i dati del percorso cognitivo visuo-spaziale definiscono un percorso visuo-spaziale rispetto all'immagine medica insieme ai dati della reazione neurofisica associati che sono indicativi di una significativit? attribuita dall'utente alle regioni dell'immagine medica quando esegue una diagnosi per giungere a una diagnosi corretta.

13. Metodo (100) secondo la rivendicazione 12, comprendente la visualizzazione dell'immagine medica insieme al percorso visuo-spaziale generato dal modello di generazione del percorso cognitivo e visuo-spaziale.

14. Programma informatico comprendente istruzioni leggibili al computer che, quando implementate su un computer, fanno s? che il computer esegua un metodo secondo la rivendicazione 12 o la rivendicazione 13.

15. Supporto di archiviazione comprendente il programma informatico secondo la rivendicazione 14.