Un approccio innovativo ConvNeXtV2-MIL per la classificazione accurata ed efficiente della morfologia fungina microscopica

Lo studio affronta una sfida clinica significativa nell'identificazione delle infezioni fungine, particolarmente in pazienti immunocompromessi, dove la diagnosi tempestiva è critica per l'avvio di terapie antifungine appropriate. La metodologia si basa sull'integrazione di due approcci di machine learning avanzati: ConvNeXtV2-Base, un'architettura convoluzionale moderna, e il Multiple Instance Learning (MIL), una tecnica che affronta il problema della annotazione debole in dataset medici. Il campione dello studio comprende 3696 immagini microscopiche dal dataset DeFungi, suddivise in cinque classi morfologiche fungine di rilevanza clinica. Il disegno sperimentale confronta sistematicamente l'approccio ibrido proposto con modelli Vision Transformer standard e versioni potenziate con MIL. I risultati numerici mostrano un miglioramento sostanziale: il metodo ConvNeXtV2-Base + MIL raggiunge il 98,90% di accuratezza, superando significativamente il 91,20% dei ViT classici e il 93,99% dei ViT-MIL. Nel contesto clinico più ampio, l'identificazione manuale della morfologia fungina rimane altamente dipendente dall'expertise del micologo e soggetta a variabilità inter-osservatore, creando un'importante necessità di strumenti diagnostici automatizzati. Rispetto alla letteratura esistente, questo lavoro rappresenta un avanzamento significativo in quanto combina architetture di rete neurali di ultima generazione con tecniche di apprendimento per istanze multiple, dimostrando come l'AI può supportare efficacemente i processi decisionali diagnostici nei laboratori di micologia clinica.