In odontoiatria la qualità dell’immagine determina se un rimborso assicurativo viene pagato o negato: fino al 20% delle richieste è respinto in prima battuta, spesso per immagini mancanti o di bassa qualità. Il problema è di tempistica: la verifica avviene ore o giorni dopo lo scatto, quando il paziente se n’è già andato. Henry Schein One ha affrontato il tema con Image Verify, un sistema di quality assessment costruito su Amazon SageMaker AI che valuta le radiografie al punto di cattura, in tempo reale. Il caso è interessante non tanto per il dominio, quanto per le scelte di architettura e ottimizzazione dell’inference a scala.
Il sistema
Quando il tecnico acquisisce una radiografia, Image Verify la valuta subito e restituisce un punteggio di qualità su scala 1-5; se il punteggio è basso, si rifà lo scatto con il paziente ancora presente. Non è uno strumento diagnostico: risponde solo alla domanda “l’immagine è abbastanza buona per l’uso clinico?”, scelta che ha permesso di iterare senza i vincoli regolatori dell’AI clinica. Dal concept dell’autunno 2025 alla produzione in pochi mesi, il sistema è passato da 250 a oltre 10.000 sedi attive, ha processato oltre 20 milioni di radiografie e cresce di circa 1,5 milioni a settimana, con un target di 40.000 sedi su quattro region.
La pipeline di inference
La pipeline multi-modello ospitata su SageMaker AI opera in stadi sequenziali: classificazione del tipo di immagine (bitewing, panoramica, periapicale), valutazione della qualità con modelli specializzati per nitidezza, allineamento e completezza, e aggregazione in un unico punteggio. Il round trip completo ha una latenza mediana di 1,4 secondi e un P90 di 2,2 secondi, con un tasso di errore dello 0,01% su milioni di inferenze. Le scelte chiave: async inference con autoscaling basato sulla queue depth invece che sulla CPU, migrazione da istanze ml.g6e.4xlarge a ml.g7e.4xlarge (fleet ridotta da 15 a 10 istanze, -33%) e deployment zero-downtime con A/B testing sul traffico di produzione.
Le lezioni per l’inference ML
Il collo di bottiglia iniziale non era la GPU ma il preprocessing (decoding, normalizzazione, resize) eseguito su CPU: spostarlo su GPU ha liberato throughput e ridotto il numero di istanze. È un errore comune, perché la saturazione della CPU maschera l’headroom della GPU. Il team ha profilato l’intera pipeline prima di scalare e oggi la fleet gira a circa il 70% di utilizzo GPU.
- Profilare prima di scalare: aggiungere istanze non risolve un bottleneck di preprocessing su CPU.
- Ottimizzare la pipeline end-to-end, non solo il forward pass del modello.
- Usare il segnale di autoscaling giusto: queue depth e richieste concorrenti battono la CPU utilization su istanze GPU miste.
Fonte: Real-time dental image verification with Amazon SageMaker AI at Henry Schein One — https://aws.amazon.com/blogs/machine-learning/real-time-dental-image-verification-with-amazon-sagemaker-ai-at-henry-schein-one/
Hai qualcosa da aggiungere? Unisciti alla discussione.