Deep Health Unit
Missione
Deep Health Unit (DHU) è il gruppo di ricerca orientato allo sviluppo di modelli ed algoritmi di Intelligenza Artificiale (AI) per il supporto alla decisione in ambito clinico.
Modelli probabilistici bayesiani, algoritmi di deep learning e algoritmi di ensemble sono studiati e sviluppati per l’analisi di dati multimodali (dati strutturati tabellari, immagini, testi non strutturati, serie temporali), anche in grandi quantità, secondo approcci di big data analytics.
Aree di interesse
- Reti neurali profonde per:
- estrazione automatica di caratteristiche da imaging multimodale (AI-based biomarkers)
- sviluppo di modelli di supporto alla decisione nella medicina personalizza (modelli di rischio diagnostico e prognostico)
- segmentazione automatica di immagini radiologiche multimodali (MRI, CT, PET) per estrazione rapida ed accurata di caratteristiche cliniche quantitative
- Strutturazione di testi liberi da cartelle cliniche in lingua italiana, con approcci di elaborazione del linguaggio naturale (NLP, Natural Language Processing)
- Programmazione probabilistica per l’implementazione di modelli Bayesiani
- Algoritmi di ensemble
- Inferenza di causalità da dati osservazionali
Collaborazioni
La collaborazione tra DHU e l’Epidemiologia dell’Istituto di Fisiologia Clinica del CNR ha portato alla costituzione del laboratorio DataLearnLab (D2L).
Pubblicazioni
- Ripoli A, Sozio E, Sbrana F et al. Personalized machine learning approach to predict candidemia in medical wards. Infection 2020; 48: 749-759.
- Salvatori M, Martini N, Ripoli A et al. A generalised deep learning approach for the quantification of the hepatic fat by non-contrast CT imaging. ECR 2020. doi: 10.26044/ecr2020/C-04146.
- Della Latta D, Martini N, Aztori S. A deep learning approach to estimate three-dimensional FGT maps from multimodal MRI images. ECR 2020; doi: 10.26044/ecr2020/C-11630.
- Martini N, Fabbri C, Ripoli A et al. Estimation of cardiac aging by CT imaging: towards the definition of new cardiovascular biomarkers using a deep learning approach. ECR 2020. doi: 10.26044/ecr2020/C-11638.
- Margaryan R, Della Latta D, Bianchi G et al. Intercostal space prediction using deep learning in fully endoscopic mitral valve surgery. ISMICS Annual Scientific Meeting 2019 (Subramanian Innovation Award).
- Martini N, Della Latta D, Positano V et al. T2* mapping by segmental approach using deep learning. SCMR 22nd Annual scientific Session. Seattle, 2019.
- Martini N, Vatti A, Ripoli A et al. Robust reconstruction of cardiac T1 maps using recurrent neural networks. International Conference on Medical Imaging with Deep Learning. London, 2019. https://arxiv.org/abs/1907.12454.
- Della Latta D, Santing G, Martini N et al. Dual output V-Net CNN: a virtual iodinated contrast mediainjection in chest CT toward a new cardiac risk assessment. RSNA 2019; AI022-EB-MOB.
- Della Latta D, Santini G, Valvano G. Contrast-free estimation of cardiac volumes from CT scans using deep learning. ECR 2018; doi: 10.1594/ecr2018/C-1413.
- Valvano G, Santini G, Martini N et al. Convolutional neural networks for the segmentation of microcalcification in mammography imaging. J Healthcare Enigneering 2018; doi: 10.1155/2019/9360941.
- Della Latta D, Santini G, Martini N et al. Deep learning for discovery of latent information in contrast-free cardiac CT images. RSNA 2018.
- Ripoli A, Della Latta D, Martini N. Radiophenomics: a machine learning approach to radiological exploration of atherosclerosis. RSNA 2017.
- Ripoli A, Rainaldi G, Rizzo M, Mercatanti A, Pitto L. The fuzzy logic of microRNA regulation: a key to control cell complexity. Curr Genomics 2010; 11:350-353.
- Meloni A, Ripoli A, Positano V, Landini L. Mutual information preconditioning improves structure learning of Bayesian networks from medical databases. IEEE Trans Inf Technol Biomed 2009; 13: 984-989.
Progetti finanziati
Programma Digital Health Gilead 2018: “ Sviluppo di una intelligenza artificiale per il supporto alla decisione clinica in corso di candidemia o sospetta candidiasi invasiva.”