1.
#forumpasanita2022
Documento di approfondimento della soluzione:
REVELIO
INDICE
1. Descrizione della soluzione
2. Descrizione del team e delle proprie risorse e competenze
3. Descrizione dei bisogni che si intende soddisfare
4. Descrizione dei destinatari della misura
5. Descrizione della tecnologia adottata
6. Indicazione dei valori economici in gioco
7. Tempi di progetto

2.
#forumpasanita2022
1. Descrizione Soluzione - Revelio
Revelio è una soluzione end-to-end di Intelligenza Artificiale per il settore sanitario che, tramite
sofisticati ed avanzati algoritmi di Deep Learning, individua, segmenta e stabilisce la natura di
sospetti neoplastici all’interno delle immagini diagnostiche prodotte nei servizi di Diagnostica per
Immagini (Radiologia) e Anatomia Patologica. La soluzione, in un approccio multidisciplinare,
supporta diversi specialisti medici in tutto il processo diagnostico, terapeutico ed assistenziale
fornendo un sistema di supporto decisionale nella diagnosi e definizione delle terapie.
Le principali funzionalità del sistema sono:
• importazione diretta delle immagini diagnostiche in cooperazione applicativa con il RIS-PACS
conforme allo standard internazionale DICOM-Web/DIMSE;
• Individuazione e classificazione di eventuali neoplasie presenti all’interno dell’immagine
diagnostica analizzata;
• Individuazione della ROI (Region of Intrest) all’interno dell’immagine, nel caso in cui un
sospetto sia individuato;
• Ordinamento per priorità degli studi in base al sospetto predetto da Revelio: gli esami a
priorità più alta sono quelli che presentano un sospetto di neoplasia maligna, a seguire quelli
in cui è stato predetto un sospetto di neoplasia benigna e, infine, quelli in cui non è stata
trovata alcuna neoplasia, quindi, ritenuti sani. All’interno della stessa classe, le immagini con
il grado di confidenza più alto vengono ordinate con priorità più alta rispetto alle altre;
• Predizione della prognosi;
• Definizione delle terapie.
2. Descrizione del Team e delle proprie risorse e competenze
Il Team è composto da giovani ingegneri esperti di algoritmi AI e da professionisti del settore
sanitario con esperienza decennale, sia nell’ambito di forniture ICT che nell’ambito della dirigenza
delle aziende sanitarie pubbliche.
Inoltre, nella realizzazione di Revelio, sono stati coinvolti diversi esponenti clinici per validare la
soluzione dal punto di vista scientifico e operativo-clinico.
3. Descrizione dei bisogni che si intende soddisfare

3.
#forumpasanita2022
I benefici attesi della nostra soluzione sono:
• Incremento delle performance diagnostiche e abbattimento dei costi di refertazione,
utilizzando lo strumento in modalità “second or further opinion”;
• Abbattimento dei falsi negativi con conseguente aumento delle percentuali di sopravvivenza
alla patologia e contestuale contenimento dei costi;
• Smaltimento semplificato della refertazione degli esami, prioritizzando quelli con un
sospetto maggiore, evitando formulazioni tardive di diagnosi in patologie oncologiche.
4. Descrizione dei destinatari della misura
I destinatari della soluzione sono i servizi di Anatomia Patologica e Diagnostica per Immagini e le
Direzioni Generali e Sanitarie delle aziende sanitarie locali e/o aziende ospedaliere.
5. Tecnologia utilizzata
Il sistema si basa su algoritmi di Deep Learning, una branca dell’AI, che apre scenari di grandissima
rilevanza nel settore sanitario e di assoluta avanguardia. Tra i vari scenari emerge quello di sviluppo
di strumenti di supporto all’attività decisionale del medico per la definizione di terapie più
consapevoli e per il miglioramento e uniformazione delle performance diagnostiche. In particolare,
il sistema utilizza algoritmi di Deep Learning basati su diverse varianti architetturali di CNN -
Convolutional Neural Network (Reti Neurali Convoluzionali) con l’obiettivo di implementare uno
strumento, per i medici, di supporto decisionale per la diagnosi delle patologie maligne e benigne.
La soluzione utilizza versioni personalizzate e proprietarie di reti neurali profonde come la Resnet,
per la classificazione delle lesioni individuate e le U-Net per l’individuazione e segmentazione delle
lesioni all’interno delle immagini diagnostiche, entrambe raggiungono risultati di accuratezza molto
elevati, pari a circa al 90%.
6. Indicazioni dei valori economici
I costi principali sono:
• Costo del personale addetto alla progettazione e sviluppo degli algoritmi AI;
• Costo dei consulenti clinici per la validazione clinica delle soluzioni;
• Costo delle apparecchiature hardware dedicate all’addestramento degli algoritmi AI (server
GPU).

4.
#forumpasanita2022
I principali investimenti sono, in ordine:
• Validazione clinica delle soluzioni e costi connessi (come la redazione del fascicolo tecnico
per la certificazione di “Software as a Medical Device”);
• Investimenti in R&S per la continua evoluzione del prodotto.
I risparmi per i clienti target:
• Abbattimento dei costi legati ad esami inadeguati per la diagnosi (e costi connessi come
ricovero e operazioni di prelevamento del campione diagnostico per l’Anatomia Patologica);
• Abbattimento dei costi relativi ad escalation verso esami diagnostici più approfonditi;
• Abbattimento dei costi relativi a terapie più costose per gli stadi avanzati delle patologie
oncologiche.
7. Tempi del progetto
La soluzione è stata già rilasciata con tutte le funzioni minime caratterizzanti il valore aggiunto
proposto.
Nella roadmap di sviluppo ed evoluzione del prodotto ci sono:
• Evoluzione di alcuni algoritmi che passeranno da una predizione del sospetto a livello
d’immagine alla segmentazione delle regioni d’interesse classificate come patologiche –
Temoo di rilascio: 6 mesi;
• Conclusione della validazione clinica e ottenimento della certificazione CE SaaMD (Software
as a Medical Device) – Tempo di rilascio: 6-12 mesi.