Il data scientist inizia a essere uno degli specialisti di riferimento per i ricercatori medico-scientifici. Non passa settimana senza avere un qualche riscontro di come il machine learning – il deep learning in particolare – riescano a migliorare la ricerca medica.
Che siano diagnosi più mirate o terapie più efficaci, la medicina è uno degli ambiti di applicazione più promettenti per l’intelligenza artificiale, grazie anche alla capacità con cui alcuni tipi di algoritmi riconoscono pattern, o semplicemente automatizzano attività finora svolte solo da medici specialisti, rendendole quindi accessibili a una fetta più ampia di popolazione.
Invece di soffermarmi su una scoperta in particolare vi segnalo diversi spunti usciti negli ultimi giorni, anche solo per dare un’idea della velocità con cui si sta evolvendo la cooperazione fra machine learning e medicina.
Boston: algoritmo di deep learning efficace nel rilevare segni di malattie cardiovascolari nei pazienti con tumore al polmone. Dopo un training con 1600 TAC cardiache e toraciche, ricercatori del General Hospital e del Brigham and Women’s Hospital hanno trovato un modo per calcolare il rischio di mortalità legata al calcio nell’arteria coronarica, velocizzando valutazioni finora svolte solo dagli specialisti.
India: uno studio su 3000 pazienti diabetici in cura presso centri oftalmici ha messo a confronto l’efficacia di un algoritmo di deep learning nel diagnosticare la retinopatia diabetica. Il modello di intelligenza artificiale ha uguagliato e superato gli specialisti umani nell’identificare la patologia.
USA-Cina: un gruppo di ricercatori ha sviluppato il primo modello di deep learning per predire le mutazioni nelle metalloproteine che potrebbero portare a gravi malattie.
Pittsburgh: presso la Carnegie Mellon University si usano reti neurali convoluzionali (generalmente utilizzate per il riconoscimento delle immagini) per analizzare le relazioni fra i 20.000 geni umani, esaminando le espressioni geniche nella singola cella per identificare pattern e percorsi utili allo studio di nuovi farmaci.
USA: ricercatori adottano un algoritmo di machine learning per distinguere rapidamente gli stimoli associati alla formazione di NET (Neutrophil Extracellular Traps, l’estrusione del DNA dei globuli bianchi neutrofili) e comprendere così l’origine dell’infiammazione da essi causata.
Finlandia-Danimarca: un modello di machine learning riduce drasticamente il numero di screening necessari per identificare combinazioni e sinergie di farmaci con diverse linee cellulari tumorali, oltre che con modelli di infezione da malaria e da Ebola, diminuendo così il tempo e la spesa necessaria per eseguire i laboriosi test. I ricercatori hanno reso disponibile questo modello gratuitamente come software open source, in modo che altri laboratori possano beneficiarne liberamente.
Per altri esempi potete fare riferimento alla sezione medicina.
