ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

Tesi etd-06242019-074106


Tipo di tesi
Tesi di laurea magistrale LM6
Autore
GIANNINI, LUCA
URN
etd-06242019-074106
Titolo
Insegnare e comunicare la radiologia con strumenti tecnologici evoluti
Dipartimento
RICERCA TRASLAZIONALE E DELLE NUOVE TECNOLOGIE IN MEDICINA E CHIRURGIA
Corso di studi
MEDICINA E CHIRURGIA
Relatori
relatore Prof. Caramella, Davide
correlatore Dott. Dell'Osso, Ruggero
Parole chiave
  • referto strutturato
  • natural language processing
  • moodle
  • livernote
  • intelligenza artificiale
  • didattica
  • simulazione
  • testnet
Data inizio appello
16/07/2019
Consultabilità
Non consultabile
Data di rilascio
16/07/2089
Riassunto
Questo lavoro di tesi è incentrato sulla Didattica e sulla Comunicazione in Medicina e si pone l’obiettivo di mostrare come queste possano vantaggiosamente fare uso delle nuove tecnologie. Il focus della trattazione include:
1. le moderne piattaforme di E-learning
2. i dispositivi e software per la didattica in simulazione
3. le più recenti applicazioni mediche per dispositivi mobili
4. il sempre maggiore interesse verso le piattaforme di Intelligenza Artificiale, al servizio del Natural Language Processing e della strutturazione dei referti radiologici.
1. E-learning, sinonimo di apprendimento on-line, teleapprendimento e teledidattica, è un termine che si riferisce all’utilizzo di Internet per fornire un’ampia gamma di soluzioni atte ad accrescere la conoscenza e le prestazioni degli studenti. La richiesta di formazione a distanza e di interattività on-line tra docenti e studenti ha portato alla creazione una piattaforma di E-learning all’interno della Facoltà di Medicina e Chirurgia dell’Università di Pisa. Nel 2005 la Cattedra di Radiologia dell'Università di Pisa, in collaborazione con la Cattedra di Reumatologia, commissionò la realizzazione della piattaforma di E-learning per gli Studenti di Medicina e Chirurgia denominata TestNet.
TestNet era un sistema interattivo per la “formazione a distanza”, che permetteva la consultazione di materiale didattico, lo svolgimento di test propedeutici all’esame per verificare il proprio livello di conoscenza e offriva la possibilità di sostenere prove d’esame in un’aula multimediale mediante domande a risposta multipla.
A partire dall’Anno Accademico 2007-2008, la Facoltà di Medicina e Chirurgia decise di attivare la piattaforma di E-learning denominata Arsdocendi, che era basata su piattaforma Open Source Moodle versione 1.9, ed era raggiungibile da qualsiasi utente mediante browser. Tramite l’utilizzo di Arsdocendi, il docente poteva richiedere l’apertura di uno spazio per il proprio insegnamento e gestirlo e personalizzarlo autonomamente. Per lo studente era possibile accedere ai corsi disponibili e al materiale didattico caricato al loro interno, come testi, immagini, file audio e video. Era inoltre permessa la creazione di forum e chat per l’interazione docente-studenti e l’erogazione di test e prove in itinere.
Contestualmente alla realizzazione di Arsdocendi, nel 2007 fu eseguito l'aggiornamento di TestNet alla versione 2.0. La nuova versione manteneva tutte le funzionalità della precedente, introducendo nuove opzioni quali: la registrazione degli utenti con Username e Password, la visione dell’offerta didattica dell’intera Facoltà, la possibilità per lo studente di costruirsi un portfolio personale dei corsi di interesse, l’implementazione delle pagine relative ai singoli corsi, con la loro presentazione completa e le relative statistiche.
Con l'andare del tempo gli utilizzatori di TestNet passarono progressivamente ad Arsdocendi mentre TestNet è stato utilizzato in modo esclusivo fino al 2019 per svolgere il Pre-Test di Radiodiagnostica. A tal fine il programma era installato sul Server dell’aula multimediale della Radiodiagnostica Universitaria e non era più accessibile via rete.
A partire dall’Anno Accademico 2015/2016, è stato attivato Elearning, il nuovo portale della didattica dell’Area di Medicina, che ha sostituito Arsdocendi. Il nuovo portale è basato su Moodle versione 2.9 e ha introdotto nuove funzionalità interattive quali: chat, database, glossari, lezioni strutturate, sondaggi e workshop. La piattaforma Elearning permette inoltre l’inserimento di nuove tipologie di quiz, supporta formati multimediali prima non supportati e garantisce una maggiore flessibilità nell’organizzazione dei contenuti.
Sfruttando le potenzialità del portale Elearning, è stato deciso di migrare il Pre-Test di Radiodiagnostica su questa piattaforma eliminando definitivamente l’uso di TestNet. Nel mese di Giugno 2019 è stato infatti creato il corso “PRE-TEST RADIODIAGNOSTICA” su Elearning e al suo interno sono state inserite le circa 500 domande a risposta multipla già presenti nel database di TestNet. Sono state inoltre create più di 50 nuove domande, supportate da immagini, sfruttando le nuove potenzialità di Moodle. Il 3 Luglio 2019 nell’aula multimediale della Scuola Medica si è svolto il primo Pre-Test di Radiodiagnostica che ha utilizzato la nuova modalità implementata.
2. La simulazione sta emergendo come valido modello formativo, soprattutto per quanto riguarda la didattica universitaria. Questa modalità di insegnamento si propone di integrare o, in determinate condizioni, addirittura sostituire l’attuale e prevalente modalità di insegnamento frontale. La Radiodiagnostica Universitaria si è resa partecipe di due sperimentazioni di insegnamento in simulazione, per quanto riguarda la metodica ecografica: Sonosim e WEKIT.
Il simulatore Sonosim consiste in un software utilizzabile tramite un PC portatile dotato di sonda ecografica con collegamento USB. Il simulatore presenta un ampio archivio didattico, che permette allo studente di analizzare più di 1.000 casi tratti da pazienti reali, comprendenti ambiti fisiopatologici dei vari distretti del corpo umano. Un avatar della sonda ecografica è rappresentato sullo schermo mentre si muove sopra l’immagine virtuale del paziente; tramite una finestra di scansione ecografica viene mostrata la visualizzazione dell’esame ecografico. Nell'AA 2015-2016 55 studenti del CdL in Medicina e Chirurgia hanno partecipato a un corso di simulazione ecografica, svoltosi presso la Radiodiagnostica Universitaria.
WEKIT, acronimo di Wearable Experience for Knowledge Intensive Training, è un progetto europeo di ricerca e innovazione per lo sviluppo di piattaforme per la Realtà Aumentata che permettano esperienze di apprendimento coinvolgenti, intuitive e realizzabili sul posto. Il 10 Dicembre 2018 la Radiodiagnostica Universitaria ha ospitato una sessione di sperimentazione del prototipo WEKIT.One, nella quale gli studenti di medicina venivano addestrati all’esecuzione di un esame ecografico. Il prototipo prevedeva un Recorder, per registrare la procedura, e un Player, per permettere l’esecuzione della stessa. È stato inoltre utilizzato un visore Microsoft HoloLens per la creazione dell’ambiente di Realtà Aumentata.
3. La chirurgia epatica del risparmio d'organo per le metastasi sta diventando sempre più importante come terapia chirurgica di salvataggio per pazienti con metastasi epatiche da carcinoma del colon-retto, in quanto consente di limitare il volume di resezione. Per i chirurghi è particolarmente utile avere a disposizione una mappatura visiva completa del fegato con chiara indicazione della posizione e delle dimensioni delle lesioni da resecare. A tale scopo è stata sviluppata un’applicazione innovativa, denominata LIVER-NOTE®, realizzata in collaborazione tra la Radiodiagnostica Universitaria e Medical-Note.
L’applicazione crea un modello 3D modificabile del fegato, che comprende vasi sanguigni venosi e sistema portale, diviso negli otto segmenti secondo la classificazione di Couinaud. Consente inoltre di inserire altri vasi sanguigni, lesioni benigne e lesioni maligne all’interno del modello. LIVER-NOTE® facilita la comunicazione tra radiologo e team chirurgico e tra operatori sanitari e pazienti.
4. Il referto strutturato sta emergendo come elemento chiave nell’ottimizzazione del lavoro del radiologo, in quanto assicura la completezza dello stesso, la possibilità di prevenire ambiguità, la comparabilità tra diversi tipi di referti e il miglioramento nella comunicazione tra radiologi e i clinici. La strutturazione del referto può essere assistita dalle tecnologie di Machine Learning, grazie al Natural Language Processing (NLP), attraverso il quale è possibile analizzare un’enorme quantità di dati non strutturati, scomporne il contenuto e classificare automaticamente il testo.
Nell’ambito di una collaborazione tra la Radiodiagnostica Universitaria e Aptus.AI, abbiamo cercato di fornire sufficienti dati per il training di una Rete Neurale Ricorrente, con il fine di effettuare il riconoscimento automatico degli elementi testuali utilizzati nel training. Per fare ciò, tra Novembre 2018 e Marzo 2019, abbiamo analizzato 2.000 referti radiografici, comprendenti radiografie del torace e dell’addome, utilizzando una piattaforma fornita da Aptus.AI, basata su un tool di annotazione con interfaccia grafica. Il tool permetteva la classificazione del testo del referto in sei categorie: Active Ingredients, Disorders, Drugs, Signs, Body Parts e Treatments. Ricevuti i dati dell’analisi dei referti, Aptus.AI ha tentato di portare a termine il training della Rete Neurale senza ottenere risultati significativi. Non contenti dei risultati ottenuti abbiamo cercato di capire il motivo del fallimento del primo training.
Insieme ad Aptus.AI, aiutandoci con un editor di testo, abbiamo individuato gli errori principali all’interno dei dati ricavati dalla prima analisi dei referti. Tra il mese di Aprile 2019 e il mese di Giugno 2019 ho corretto i 65.000 elementi testuali presenti nel file .txt generato dalla piattaforma di Aptus.AI, fornendo alla Rete Neurale un file di testo adatto a svolgere il training nelle migliori condizioni possibili.
Dopo la correzione, è stato svolto un secondo tentativo di training della rete neurale, che ha fornito i seguenti risultati: Precision 0.810, Recall 0.853, F1 Score 0.832. Questi risultati mostrano un netto miglioramento rispetto al primo tentativo di training della Rete Neurale e sono in linea con i risultati attesi. Il dataset è inoltre ulteriormente migliorabile, individuando gli errori ancora presenti ed effettuando un’ulteriore revisione con sub-set di minori dimensioni.
In conclusione, le informazioni strutturate costituiscono una risorsa di fondamentale importanza in Medicina, trovando impiego sia nella Didattica sia nella Comunicazione.
File