Come difendersi dagli “attacchi” all’imaging radiologico

Grazie ad uno studio del Crn e dell’università di Pisa è stato scoperto come sfuggire al pericolo di modifica all’imaging radiologico

Uno studio, frutto della collaborazione tra l’Istituto di fisica applicata “Nello Carrara” del Cnr e l’Università di Pisa, ha evidenziato come il “machine learning”, che utilizza gli algoritmi per l’analisi delle immagini cliniche, può essere utilizzato anche per modificarle, creando i cosiddetti “attacchi avversi”, in grado di ingannare gli stessi sistemi di analisi. La ricerca pubblicata sulla rivista European Journal of Nuclear Medicine and Imaging del gruppo Springer Nature

La sanità 4.0

Un articolo, pubblicato sulla rivista European Journal of Nuclear Medicine and Molecular Imaging del gruppo Springer Nature da Andrea Barucci dell’Istituto di fisica applicata “Nello Carrara” del Consiglio nazionale delle ricerche (Cnr-Ifac) e dal radiologo dell’ Università di Pisa Emanuele Neri, analizza attraverso lo strumento del machine learning la possibilità di modificare le immagini radiologiche, pilotando l’esito di una diagnosi. Un rischio che solo lo studio dell’Intelligenza artificiale (Ai) può consentire di fronteggiare, sventando errori o azioni compiute in malafede.
“Nel mondo digitale, la sanità 4.0 si muove veloce verso una nuova visione. Le analisi basate sull’ Ai costituiscono uno strumento sempre più diffuso in tutti gli ambiti clinici, suscitando grandi aspettative. Un esempio è la Radiomica, ossia l’estrazione di parametri quantitativi dalle immagini radiologiche, con cui creare modelli diagnostici e predittivi. Uno strumento ormai ampiamente utilizzato”, dichiara Andrea Barucci del Cnr-Ifac.

I nuovi strumenti di analisi digitale

Lo studio dei due ricercatori definisce questo fenomeno in ambito di imaging radiologico come “Adversarial Radiomics”. “Un’analogia con il più ampio campo di ricerca dell’ adversarial machine learning, in cui il fenomeno è studiato da anni, per esempio, nella cyber-security ”, aggiunge Neri.
“Gli esempi avversi sono un problema relativamente recente nello studio del machine learning. La loro applicazione all’ imaging clinico è un ambito ancor più nuovo e con risvolti sociali importanti”, prosegue Barucci, “ad esempio nelle frodi assicurative. D’ altronde proprio lo studio di questi esempi avversi è estremamente utile per approfondire la comprensione di algoritmi complessi. Ad esempio come le reti neurali e migliorare lo sfruttamento degli strumenti informatici a disposizione”.
“L’intuizione del radiologo è ancora essenziale nel controllo e nell’ integrazione delle complesse analisi fornite dagli algoritmi di intelligenza artificiale. Il futuro impone una sempre maggiore armonizzazione fra l’analisi informatica e quella umana”.