UTMOST è un progetto coordinato da FlairBit e co-finanziato da Regione Liguria nell’ambito del bando POR FESR 2014-2020. L’intento del progetto UTMOST è stato la realizzazione di un innovativo apparecchio ecografico in grado di individuare la sarcopenia in modo più efficace e stabilire un nuovo protocollo sanitario che permetta una completa gestione del paziente sarcopenico. Il fine ultimo è fornire cure e terapie atte a migliorare lo stile di vita delle persone affette da sarcopenia e rallentare il decorso della malattia.
L’ecografia come metodo di diagnosi della sarcopenia
Il progetto UTMOST ha scelto la metodologia dell’ecografia per la diagnosi della sarcopenia, poiché permette di eseguire l’esame valutativo con semplicità in svariati contesti. Per arricchire lo studio ecografico del muscolo, è stato creato un protocollo di acquisizione e rielaborazione automatica dei dati grezzi dell’immagine, acquisiti tramite un apparato di diagnostica per immagini ad ultrasuoni (Dati RF).
Machine Learning per l’identificazione della sarcopenia
FlairBit si è occupata di Imaging Processing e sviluppo di un algoritmo di Machine Learning per l’identificazione della sarcopenia a partire dalle immagini acquisite attraverso l’ecografo. Grazie al dataset di ecografie di pazienti, è stato possibile sviluppare un modello di machine learning, in particolare una rete neurale, in grado di stimare l’unità di Hounsfield (un’unità di misura utilizzata in tomografia computerizzata per fornire una scala numerica di densità di tessuti corporei), fortemente correlata con la presenza di sarcopenia.
Analisi sulla texture del tessuto muscolare
La sarcopenia è caratterizzata da una perdita di massa muscolare, caratterizzata dal colore grigio scuro, in conseguenza alla quale la struttura interna del muscolo collassa su se stessa, rendendosi evidente tramite un colore grigio chiaro. Inoltre, gli spazi rimanenti all’interno del muscolo si riempiono di grasso, anch’esso rappresentato da un colore grigio chiaro. Come conseguenza l’ecografia di un muscolo sarcopenico risulta in media più chiara.
Le analisi sono state condotte sulle immagini del tessuto muscolare convertite in livelli di grigio, in questo modo è stato possibile fare un’analisi sulla texture per verificare se la trama di un tessuto muscolare identificasse il livello di sarcopenia.
L’intensità media dell’eco è stata la prima feature presa in considerazione per descrivere il TAC score, ovvero l’unità di Hounsfield ottenuta dalla TAC, come indice quantitativo della qualità del muscolo.
Inoltre, sono state calcolate le 13 feature di Haralick, un insieme di indicatori descrittivi utilizzati per analizzare l’aspetto di immagini digitali, per la distinzione di diverse texture che comprendono proprietà come l’omogeneità, il contrasto e l’autocorrelazione.
Risultati del progetto UTMOST
Il sistema di apprendimento automatico sviluppato da FlairBit, fornisce un’indicazione sul grado di sarcopenia (un numero), che dà indicazione dello stato del paziente su una scala numerica (discreta) di riferimento.
L’unità di Hounsfield campionata ha una deviazione standard di 14.2 in un intervallo da 1 a 73. Il modello presenta un errore assoluto medio di 9.5, dimostrando una buona adattabilità ai dati.
Grazie al progetto UTMOST, ci si sta avvicinando a una diagnosi sempre più accurata della sarcopenia e un protocollo terapeutico personalizzato per migliorare la qualità della vita dei pazienti.
