Recentemente i concetti di medicina di precisione e di medicina personalizzata sono entrati prepotentemente nel panorama della scienza medica, proponendo un nuovo paradigma operativo relativamente ai processi di prevenzione, diagnosi e cura. Sebbene i termini di cui sopra nascano originariamente con due accezioni semantiche diverse, oggigiorno sono di fatto termini interscambiabili, per cui nel seguito li utilizzeremo in modo sostanzialmente equivalente.
Due definizioni di intelligenza artificiale
Negli ultimi anni, la comunità scientifica e industriale della medicina si è fortemente orientata sull’utilizzo dell’intelligenza artificiale, ritenendo tale approccio il più promettente per ottenere i risultati desiderati. Ma che cos’è l’intelligenza artificiale? E’ difficile dare una definizione esatta di Intelligenza Artificiale. Uno dei principali motivi perché non abbiamo ancora una definizione di insieme o un concetto solido per l’intelligenza in generale.
Una definizione molto utilizzata è: “l’intelligenza artificiale è una disciplina appartenente all’informatica che studia i fondamenti teorici, le metodologie e le tecniche che consentono la progettazione di sistemi hardware/software capaci di fornire prestazioni tipici dell’intelligenza umana”, mentre un’altra definizione più tecnica è “lo studio e la progettazione di agenti intelligenti” in cui un agente intelligente è un sistema che percepisce il suo ambiente e intraprende azioni che massimizzano le sue possibilità di successo.
Intelligenza artificiale e cognitive computing
Nell’ambito dell’intelligenza artificiale, i sistemi di Cognitive Computing nascono per supportare gli esseri umani nel risolvere, in modo efficiente e ottimale, problemi anche estremamente complessi ed articolati, in specifici campi d’azione. Tali sistemi devono essere in grado di emulare abilità cognitive proprie dell’uomo, quali apprendere dall’esperienza, ragionare e generare ipotesi, risolvere problemi nuovi non noti a priori, percepire, comprendere e comunicare con l’ambiente esterno.
La realizzazione di tali funzionalità, generalmente, richiede l’unione di tre aspetti principali:
- la visione artificiale ed elaborazione del linguaggio naturale per percepire e comprendere l’ambiente esterno;
- l’apprendimento automatico ad alte prestazioni per generare inferenze e formulare ipotesi;
- l’interazione naturale multimodale per comunicare con l’uomo in maniera semplice ed adattiva in funzione del comportamento e del contesto ambientale.
Cognitive Computing e Clinical Decision Support System
I sistemi di Cognitive Computing si pongono, quindi, come uno strumento evoluto per la realizzazione di Clinical Decision Support System (CDSS, sistemi di supporto alla decisione clinica) di nuova generazione, che possono giocare un ruolo fondamentale nei processi di prevenzione, diagnosi e cura, nonché nella riduzione degli errori medici.
CDSS nei processi di prevenzione, diagnosi e cura
Ad esempio, un cognitive CDSS nel campo della diagnostica per immagini, può essere in grado di effettuare una diagnosi attraverso un’analisi semantica intelligente in grado di descrivere automaticamente il contenuto diagnostico dell’immagine. La fase più importante è legata alla bontà del “processo cognitivo” attraverso il quale le caratteristiche delle immagini reali vengono confrontate con quelle della base di conoscenza, contenente le immagini e le diagnosi.
L’evoluzione del deep learning
Tra le tecniche utilizzate per la realizzazione dei sistemi di Cognitive Computing, particolare successo sta riscuotendo il Deep Learning. La traduzione letterale di questo termine, apprendimento approfondito, dà forte contezza del suo significato, perché il deep learning, si basa su un particolare modello di reti neurali ad apprendimento automatico a più livelli, nel quale i livelli più profondi prendano in input le uscite dei livelli precedenti, trasformandoli e astraendoli sempre di più.
L’utilizzo delle tecniche di deep learning si sta espandendo con velocità incredibile, grazie ai progressi tecnologici in campo informatico. Infatti, per tali tecniche risulta di fondamentale importanza eseguire la fase di apprendimento su una base dati quanto più grande possibile e ciò, fino a poco tempo fa, diventava praticamente proibitivo dati gli elevati tempi di elaborazione e memoria richiesti. Oggi, grazie all’introduzione delle GPU (Graphics Processing Unit) di nuova generazione, è possibile disporre delle necessarie potenze di elaborazione anche a costi relativamente bassi.
Deep learning e diagnosi mediche
I risultati finora ottenuti nei campi dell’imaging biomedicale, dell’analisi dei tracciati ECG, EEG, e della bioinformatica, risultati fino a qualche decennio fa difficilmente preventivabili, stanno decretando il crescente utilizzo e successo delle tecniche deep learning.
In un recente studio pubblicato da un gruppo di ricercatori dell’Università di Chicago, della Stanford University, della University of California, di San Francisco e di Google, sono stati forniti dati anonimizzati di centinaia di migliaia di pazienti ad una serie di algoritmi di apprendimento automatico di deep learning eseguiti sui grandi sistemi di calcolo di Google. Tali algoritmi hanno fornito previsioni estremamente accurate relativamente alla diagnosi di malattie (da quelle cardiovascolari a quelle oncologiche), alle possibilità di sopravvivenza, alla durata della degenza ospedaliera. A titolo di esempio, è stato possibile prevedere entro 24 ore dall’ospedalizzazione di un paziente, la probabilità di sopravvivenza con un’accuratezza superiore al 90%.
Deep learning in ambito medico, le criticità
Questo studio non è assolutamente un caso isolato. Lo scorso anno un apposito team di Google ha realizzato un algoritmo basato sul deep learning per la diagnosi della retinopatia anch’esso in grado di fornire un’accuratezza superiore al 90%, pari a quella certificata dagli oftalmologi.
Tuttavia, un grande problema del deep learning, legato alla sua applicazione in campo medico, è quello dell’interpretabilità: un sistema che supporta i processi decisionali di un medico dovrebbe essere in grado di poter evidenziare in maniera chiara ed inequivocabile i processi che hanno portato al risultato proposto ma, allo stato attuale, le tecniche di deep learning non sono in grado di garantire tale requisito.
La soluzione del problema non è affatto banale, e spesso porta alla nascita di atteggiamenti di tipo estremamente prudenziali; ad esempio il ministro francese per il settore digitale ha recentemente affermato che algoritmi per i quali non è possibile spiegare chiaramente il processo di funzionamento non dovrebbero essere utilizzati.
La certificazione dei dispositivi medici
Data l’importanza di tale problematica, molti gruppi di ricerca stanno studiano le problematiche di interpretabilità dei sistemi di apprendimento automatico. Non solo: anche enti istituzionali quali la statunitense DARPA ha dedicato un progetto alla “Explainable Artificial Intelligence (XAI)”, mentre la Food and Drug Administration sta affrontando tale problematica dal punto della certificazione dei “medical device”, dato che un applicativo software utilizzato nel campo medico è definito come medical device.
L’intelligenza artificiale nel futuro della medicina
In conclusione, non vi è alcun dubbio che il futuro della medicina sarà indissolubilmente legato all’intelligenza artificiale. Molta strada deve essere ancora percorsa, ma i recenti risultati di sistemi basati su tali tecnologie ed entrati a far parte stabilmente nel processo clinico come, ad esempio, Watson Oncology di IBM installato presso il Memorial Sloan Kettering Cancer Center, ci inducono a credere che il percorso intrapreso sia quello giusto da seguire.
