Con i recenti progressi degli strumenti di intelligenza artificiale, in particolare nel deep learning e nella computer vision, le prestazioni nei compiti di classificazione, segmentazione, identificazione e localizzazione nell’imaging medico sono migliorate significativamente, offrendo un valido supporto al processo diagnostico.
Il rilevamento degli oggetti (object detection) rappresenta una tecnica di computer vision in grado di identificare e localizzare regioni anatomiche o patologie all’interno delle immagini mediche. Tra gli approcci più rilevanti in questo ambito vi è la You Only Look Once (YOLO), un’architettura che consente di eseguire simultaneamente classificazione e localizzazione degli oggetti in un singolo passagio attraversano la rete neurale (forward pass), caratteristica particolarmente importante nelle applicazioni video-based come la videostroboscopia o la laringoscopia perché i frame devono essere analizzati molto rapidamente, spesso in tempo reale. Questa tecnica ha inoltre ottenuto risultati particolarmente promettenti nel rilevamento dei polipi colorettali, dimostrando elevata efficacia nell’identificazione delle lesioni durante procedure endoscopiche in tempo reale.
Alla luce di questi risultati, un gruppo di ricercatori statunitensi ha studiato le versioni più recenti di YOLO, denominate YOLO11 e YOLO12, per il rilevamento e la localizzazione dei polipi laringei a livello delle corde vocali nei frame di videostroboscopia. Il lavoro si è concentrato sull’identificazione della presenza di polipi, piuttosto che sulla diagnosi o classificazione dei diversi sottotipi patologici. Inoltre, per migliorare il rilevamento di polipi di piccole dimensioni o difficilmente distinguibili, è stato implementato un modulo di temporal tracking integrato, in grado di seguire le lesioni attraverso frame video consecutivi.
Disegno dello studio e metodologia
Lo studio è stato condotto utilizzando 55 video di stroboscopia laringea raccolti presso il Sean Parker Institute for the Voice di New York: 33 appartenenti a pazienti con polipi laringei e 22 a soggetti sani di controllo. Dai video sono stati estratti 12.742 frame di buona qualità, selezionati automaticamente tramite un sistema basato sul deep learning. Ogni polipo è stato annotato manualmente mediante bounding box per consentire l’addestramento dei modelli di di rilevazione degli oggetti YOLO11 e YOLO12. I modelli sono stati successivamente ottimizzati al fine di migliorare il rilevamento automatico dei polipi laringei ed è stato sviluppato un sistema di temporal tracking per seguire le lesioni nei frame video consecutivi e compensare eventuali rilevamenti mancati.
Le prestazioni del sistema sono state valutate utilizzando metriche standard di object detection, tra cui precision (proporzione di rilevamenti corretti sul totale dei rilevamenti effettuati), recall (richiamo: capacità del modello di identificare tutti i polipi presenti), F1-score (misura combinata di precision e recall) e mAP (mean Average Precision – utilizzata per valutare l’accuratezza del rilevamento e della localizzazione delle lesioni tramite bounding box) e la velocità di elaborazione del sistema, espressa in frame per secondo (fps).
YOLO12 supera YOLO11 nel rilevamento dei polipi laringei
I risultati dello studio hanno evidenziato prestazioni superiori di YOLO12 rispetto a YOLO11 in tutte le principali metriche di rilevamento dei polipi laringei. In assenza di temporal tracking, YOLO12 ha raggiunto una precisione dell’83,1%, superiore al 67,3% ottenuto da YOLO11, indicando una maggiore accuratezza nell’identificazione dei polipi reali. Anche la recall è risultata più elevata per YOLO12 (56,9% vs 48,3%), così come l’F1-score (67,6% vs 56,2%) e le metriche di localizzazione delle lesioni.
Nel complesso, questi risultati sembrano suggerire che YOLO12 offra una maggiore accuratezza sia nell’identificazione sia nella localizzazione dei polipi laringei rispetto alla versione precedente del modello.
L’introduzione del modulo di temporal tracking ha ulteriormente migliorato le prestazioni di entrambi i modelli. In particolare, per YOLO12 la mAP@0.5 è aumentata dal 64,1% al 70,4%, indicando una maggiore stabilità e continuità del rilevamento nei frame consecutivi. Dal punto di vista computazionale, YOLO12 ha ottenuto prestazioni superiori rispetto a YOLO11, che è risultato più lento. Inoltre, l’analisi tramite Grad-CAM (Gradient-weighted Class Activation Mapping) ha evidenziato che YOLO12 concentra maggiormente l’attenzione sulle regioni contenenti i polipi, mentre YOLO11 tende più frequentemente a focalizzarsi su aree non rilevanti delle corde vocali, suggerendo una migliore capacità di YOLO12 di identificare correttamente le lesioni laringee.
Prospettive promettenti per i modelli di object detection
I risultati ottenuti indicano che i modelli di object detection potrebbero diventare un supporto concreto per l’otorinolaringoiatra durante l’esame endoscopico, soprattutto nell’identificazione di lesioni difficili da riconoscere.
Sebbene il rilevamento dei polipi laringei presenti ancora criticità legate alla complessità anatomica e dinamica della laringe, l’ampliamento dei dataset e l’evoluzione dei modelli di intelligenza artificiale potranno contribuire allo sviluppo di sistemi diagnostici sempre più accurati, affidabili e integrabili nella pratica clinica quotidiana.
