Deep Learning per la classificazione interpretabile di noduli polmonari

In recent years, deep learning and computer vision have become essential tools in areas where high accuracy and reliability are critical, particularly in medical diagnostics. This thesis applies deep learning techniques to develop an interpretable classifier for lung nodules in CT scans, aiming to improve the model’s transparency and its practical use in clinical settings. The classifier is designed not only to predict whether nodules are malignant, but also to capture key structural features like sphericity, margin, texture, subtlety, and calcification. By providing these additional insights, the model helps radiologists understand its decision-making process better, increasing trust and usability. The research is divided into two main phases. The first phase focuses on building a binary classification model to distinguish between nodules and non-nodules using the LUNA16 dataset, which contains detailed CT scans for lung nodule detection. This model is then extended to predict the malignancy of detected nodules by using the features learned from the nodule detection task. In the second phase, the model is enhanced with additional output layers to predict key structural characteristics of the nodules, improving both diagnostic precision and the interpretability of the model’s predictions. Additionally, the thesis explores a bottleneck concept model, where the predicted nodule attributes are used as inputs for malignancy classification. This architecture allows for a more transparent decision-making process that aligns closely with clinical practices. Importantly, this model not only provides predictions but also gives radiologists the opportunity to interact with the model’s outputs, potentially adjusting certain features to see how they impact the malignancy prediction,leading to more informed clinical decisions. This thesis addresses the challenge of building reliable and interpretable AI models that can assist radiologists in making better, more transparent decisions.

Negli ultimi anni, il deep learning e la visione artificiale sono diventati strumenti essenziali in settori dove l'accuratezza e l'affidabilità sono fondamentali, in particolare nella diagnostica medica. Questa tesi applica tecniche di deep learning per sviluppare un classificatore interpretabile per i noduli polmonari nelle scansioni TC, con l'obiettivo di migliorare la trasparenza del modello e il suo utilizzo pratico nei contesti clinici. Il classificatore è progettato non solo per prevedere se i noduli sono maligni, ma anche per catturare caratteristiche strutturali chiave come sfericità, margine, texture, sottigliezza e calcificazione. Fornendo questi approfondimenti aggiuntivi, il modello aiuta i radiologi a comprendere meglio il processo decisionale, aumentando la fiducia e la facilità d'uso. La ricerca è suddivisa in due fasi principali. La prima fase si concentra sulla costruzione di un modello di classificazione binaria per distinguere tra noduli e non-noduli utilizzando il dataset LUNA16, che contiene scansioni TC dettagliate per la rilevazione dei noduli polmonari. Questo modello viene successivamente esteso per prevedere la malignità dei noduli rilevati, utilizzando le caratteristiche apprese dal compito di rilevazione dei noduli. Nella seconda fase, il modello viene migliorato con livelli di output aggiuntivi per prevedere le caratteristiche strutturali chiave dei noduli, migliorando sia la precisione diagnostica sia l'interpretabilità delle previsioni del modello. Inoltre, la tesi esplora un modello concettuale a "collo di bottiglia", in cui le caratteristiche dei noduli previste vengono utilizzate come input per la classificazione della malignità. Questa architettura consente un processo decisionale più trasparente, che si allinea maggiormente alle pratiche cliniche. È importante sottolineare che questo modello non solo fornisce previsioni, ma offre anche ai radiologi l'opportunità di interagire con gli output del modello, potenzialmente modificando alcune caratteristiche per vedere come influenzano la previsione della malignità, portando a decisioni cliniche più informate. Questa tesi affronta la sfida di costruire modelli di intelligenza artificiale affidabili e interpretabili che possano assistere i radiologi nel prendere decisioni migliori e più trasparenti.