Un’intelligenza artificiale che aiuta diagnosi e cure

Come le nuove tecnologie possono contribuire a sviluppare la ricerca in ambito farmacologico e migliorare la pratica clinica?

Cesare Furlanello, responsabile dell’unità MBPA (Modelli Predittivi per la Biomedicina e l’Ambiente) presso la fondazione Bruno Kessler di Trento, esperto di data science, ci ha introdotto all’ultima frontiera della ricerca: il machine learning applicato alla medicina.

Cesare Furlanello
FBK Fondazione Bruno Kessler
Responsabile unità di ricerca MPBA (Modelli Predittivi per la Biomedicina e l’Ambiente)
Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.

In termini generali, il machine learning è la nuova sfida tecnologica che sviluppa macchine con l’abilità di apprendere da sole senza essere state esplicitamente programmate. Ci sono tante applicazioni che questa tecnica rende possibili, come la guida autonoma, il riconoscimento facciale e la traduzione automatica; tra le ultime e più ambiziose c’è proprio il miglioramento della salute. La grande opportunità è quella di mettere a sistema e rielaborare l’immensa mole di dati medici che vengono digitalizzati nei nostri ospedali, cercando di usarli per costruire strumenti di supporto alla ricerca medica per migliorare le diagnosi, le cure, fino ad identificare le cause delle patologie e cercare di controllare i processi di diffusione di nuove epidemie: l’era della medicina personalizzata è appena iniziata.

Dottor Furlanello, cosa intendiamo esattamente per machine learning?

Fino a poco tempo fa l’apprendimento sembrava un aspetto caratteristico dell’ingegno umano, invece riusciamo a costruire macchine che non solo eseguono, ma imparano dagli esempi e possono costruire ipotesi su dati futuri, riconoscere un volto, giocare a scacchi, ipotizzare una terapia. Semplificando, gli algoritmi del machine learning cercano strutture e regole funzionali tra i dati osservati per poter generalizzare la conoscenza. Si cerca insomma di partire da una quantità parziale di esempi disponibili per ottenere un processo di predizione da nuovi dati; nei casi più interessanti si mira a raggiungere la capacità cognitiva degli esseri umani. Il punto di rottura nella storia del machine learning si è avuto quando, durante il gioco del Go, che combina tattica e strategia, il più grande giocatore del mondo ha perso contro AlphaGo, un software, sviluppato da Google DeepMind, che utilizza complessi algoritmi di machine learning. Inoltre, solo poche settimane fa, DeepMind ha presentato la nuova versione Alpha zero, che ha superato in sole 48 ore il livello del campione del mondo usando 100 volte meno risorse di calcolo di AlphaGo, e soprattutto si è autoaddestrata. Di sicuro possiamo dire che il machine learning sta facendo passi da gigante: oggi sviluppare soluzioni di machine learning è diventato più accessibile e grazie ai progressi delle risorse di calcolo si avvia a diventare una commodity, sia offerta dai provider in cloud che tramite dispositivi personali mobili.

Come può essere applicato il machine learning alla medicina?

In FBK ci occupiamo di machine learning applicato da almeno venti anni e il miglioramento della salute è sempre stato al centro di buona parte dei nostri progetti. Ora identifichiamo questo settore interdisciplinare tra informatica, matematica e statistica computazionale come data science e proprio dal 2018 FBK avrà un’area di ricerca dedicata.

Il machine learning trova un ambiente naturale nell’ambito delle applicazioni mediche perché in questo campo ci sono continuamente decisioni importanti da prendere e costi da ottimizzare per garantire a tutti la migliore assistenza. I medici sono abituati a prendere decisioni, soppesare rischi e creare analogie: si tratta quindi di un ambiente ideale per sviluppare sistemi che fanno previsioni sul decorso della malattia, oppure sulla risposta individuale favorevole o sfavorevole ai farmaci. Da qui alla medicina personalizzata il passo è breve, cercando di caratterizzare risposte diverse a differenze individuali, basandosi ad esempio sulla variabilità genetica o su quelle del microbioma. La medicina di precisione ha in sé una visione molto positiva che, combinando dati che sono già “in pancia” al sistema sanitario in forma digitale e profili genomici, riesce a collegare gruppi di pazienti con caratteristiche comuni molto fini per giungere a diagnosi più accurate e stime della risposta ad un farmaco. Si mira quindi a dare il farmaco giusto al paziente giusto nel momento più appropriato, evitando somministrazioni inutili o reazioni avverse dovute alle caratteristiche individuali o alla compresenza di altri farmaci o ad effetti ambientali.

Un elemento di vantaggio è che i dati digitali della sanità sono in continuo aumento: questa disponibilità permette di adottare più pervasivamente tecniche di machine learning ed anzi rende questi metodi indispensabili per superare i limiti delle analisi manuali. Ad esempio, se un computer fa una prima scrematura accurata di milioni di cartelle cliniche o di migliaia di radiografie si guadagna in tempo ed efficienza. La stessa opportunità si presenta nei processi di sviluppo di farmaci, visto che i dati a disposizione sono sempre di più.

Che tipo di collaborazioni avete al momento?

Da 12 anni collaboriamo con la statunitense Food and Drug Administration (FDA), agenzia che si occupa di approvare e regolare la produzione di farmaci. In particolare abbiamo contribuito a stabilire le regole per identificare i biomarker predittivi, che in futuro saranno indicati nella prescrizione di farmaci. Stiamo, inoltre, affiancando una azienda farmaceutica leader internazionale nel processo di sviluppo del farmaco. Per la ricerca clinica collaboriamo con ospedali italiani, in particolare con il Bambino Gesù di Roma in problemi di oncologia pediatrica, con il Wistar Center di Philadelphia e la Fudan University di Shangai.

Quale formazione e quali abilità sono richieste a chi desidera applicarsi a un ramo della ricerca così interdisciplinare?

È un momento molto particolare questo che stiamo vivendo: c’è un’immensa richiesta di professionalità e di competenze nella scienza dei dati, che combina matematica, informatica e statistica computazionale. Non ci sono abbastanza esperti in grado di rispondere a questa esigenza, e forse c’è poca capacità in generale di capire come funzionano gli algoritmi di machine learning.

In FBK ci impegniamo per insegnare queste nuove competenze fin dalle scuole superiori con WebValley, una scuola dedicata ai giovanissimi, dove finora abbiamo formato 350 ragazze e ragazzi. Cerchiamo di trasmettere loro il messaggio che per fare ricerca siano necessari, oltre ad una forte attitudine al rischio, il non accontentarsi e la capacità di collaborare in ambienti interdisciplinari. Un aspetto interessante nelle nostre ricerche è infatti proprio quello della multidisciplinarità dato che sono coinvolti contemporaneamente aspetti di salute, algoritmi e problemi di calcolo. È una convivenza complessa e, quando elaboriamo i nostri modelli, dovremmo sempre avere la consapevolezza che c’è di continuo la necessità di capire qual è la domanda a cui vogliamo rispondere esattamente e quindi di interfacciarsi con il medico: è per questo che è necessario che si vada sempre verso una maggiore contaminazione tra il “mondo dei dati” e quello della medicina. Da anni accompagniamo i nostri studenti verso una professione nuova; l’idea è quella di far partire questi ragazzi il più presto possibile, in modo da poter essere subito competitivi con il resto del mondo, in una materia così appassionante.

E il futuro?

Si stanno esplorando nuove biotecnologie di grande importanza nell’oncoimmunologia pediatrica; in particolare sono in sviluppo trattamenti tramite farmaci che superano i chemioterapici e che hanno la capacità di attivare in modo estremamente specifico il sistema immunitario di un paziente portatore di tumore, rendendolo in grado di riconoscere come estranee le cellule tumorali e distruggerle. In questa riprogrammazione del sistema immunitario, giocheranno un ruolo fondamentale gli algoritmi e la scienza dei dati, da mettere nelle mani dei clinici per selezionare con precisione solo il bersaglio da colpire.

FBK E LA RICERCA SULL’INTELLIGENZA ARTIFICIALE

L’AI è sempre più in ausilio alle decisioni dell’uomo. Alcuni lavori verranno sostituiti, ma quello di cui si ha certezza è che ci sarà necessità di una maggiore scolarità e molti lavori nuovi che non sappiamo ancora identificare. La Fondazione ha una lunga storia nel settore dell’AI, che parte negli anni ‘80 con Luigi Stringa, su suggerimento di Bruno Kessler, che identificò i due sistemi su cui attualmente lavoriamo, quello dell’AI e quello dei macrosistemi. Da allora la Fondazione ha attraversato diverse fasi: oggi ha la maturità perché tutte queste esperienze vengano portate a regime ed è diventata un riferimento importante in questa fase in cui le applicazioni debbono raggiungere l’utenza finale. Tra i grandi temi la sanità, la fabbrica del futuro, il comportamento dei cittadini all’interno delle città di oggi fino all’auto autonoma. In questo scenario, il fatto di essere parte della comunità della ricerca GARR e poter usare una rete in continua evoluzione che si modella sulle esigenze della ricerca, ha contribuito a creare un ambiente estremamente favorevole al lavoro dei nostri ricercatori.
Francesco Profumo, Presidente FBK

LA SCUOLA ESTIVA DI DATA SCIENCE

Le tecnologie digitali stanno trasformando l’agricoltura digitale, un settore economico importantissimo dove gli investimenti in innovazione crescono fino al 70% all’anno. Inoltre l’agritech è una grande palestra per gli studi sulla medicina perché si possono utilizzare grandi quantità di dati prodotti in tempi molto più rapidi.