Un framework di apprendimento profondo multimodale per la rilevazione precisa della silicosi su immagini radiografiche

La silicosi rappresenta una delle pneumoconiosi più diffuse tra i lavoratori esposti a polvere di silice cristallina, con conseguenze severe quali fibrosi polmonare progressiva e infiammazione cronica. La diagnosi tradizionalmente si basa su radiografie del torace, esame accessibile ed economico ma richiedente interpretazione da parte di esperti radiologi, spesso non disponibili in contesti occupazionali o geograficamente svantaggiati. Il presente studio affronta questa criticità attraverso un approccio di machine learning innovativo. La metodologia si distingue per l'impiego di feature fusion, tecnica che consente l'integrazione sinergica di rappresentazioni complementari provenienti da tre diverse architetture neurali. EfficientNet-B3, noto per l'efficienza computazionale e la capacità di estrazione di caratteristiche gerarchiche, viene combinato con le reti capsulari, che eccellono nel catturare relazioni spaziali complesse, e ConvNext V2, architettura moderna con connessioni residue ottimizzate. L'aggiunta di un modulo di attenzione bidirezionale convoluzionale consente al modello di pesare selettivamente le regioni radiografiche più rilevanti per la classificazione, migliorando la focalizzazione su pattern patologici specifici della silicosi. Lo studio ha utilizzato il dataset Silicodata per condurre simulazioni estensive, anche se la composizione esatta del campione (numero di pazienti, distribuzione per stadio di malattia, caratteristiche demografiche) non è completamente dettagliata nell'abstract fornito. Il risultato principale, un'accuratezza del 98,73%, rappresenta un significativo miglioramento rispetto ai metodi comparativi, suggerendo che l'approccio multimodale cattura efficacemente la variabilità fenotipia della malattia attraverso diversi livelli di progressione. Nel contesto della letteratura scientifica internazionale, studi precedenti hanno dimostrato successo del deep learning nella classificazione di immagini mediche, ma l'innovazione risiede nella combinazione sincronizzata di più architetture e nella capacità di operare come strumento di screening automatizzato in contesti dove l'expertise radiologico è limitato.