Innovativo modello di intelligenza artificiale per diagnosi mediche
Mercoledì, un team di scienziati ha presentato un modello di intelligenza artificiale all’avanguardia, capace di anticipare diagnosi mediche con un notevole anticipo. Questo modello, chiamato Delphi-2M, utilizza la stessa tecnologia che alimenta chatbot come ChatGPT. Grazie alla sua capacità di prevedere l’incidenza di oltre 1.000 malattie future, analizzando la storia clinica di un paziente, rappresenta un passo avanti significativo nel campo della medicina predittiva. La scoperta è stata pubblicata in un articolo sulla rivista scientifica Nature, frutto della collaborazione tra istituzioni di ricerca di diversi paesi, tra cui Regno Unito, Danimarca, Germania e Svizzera. I ricercatori hanno addestrato Delphi-2M utilizzando dati provenienti dal UK Biobank, un vasto database biomedico che raccoglie informazioni su circa 500.000 partecipanti, rendendo il modello estremamente robusto e affidabile.
Funzionamento del modello Delphi-2M
Il modello Delphi-2M si basa su reti neurali che utilizzano l’architettura “transformer”, la stessa tecnologia che consente a ChatGPT di elaborare il linguaggio naturale. Moritz Gerstung, esperto di intelligenza artificiale presso il Centro tedesco per la ricerca sul cancro, ha spiegato che comprendere una sequenza di diagnosi mediche è simile all’apprendimento della grammatica di un testo. Grazie a questa tecnologia, Delphi-2M è in grado di identificare schemi nei dati sanitari, analizzando le diagnosi precedenti, le loro combinazioni e la loro successione. Questo approccio consente di effettuare previsioni che risultano “molto significative e rilevanti per la salute”, come ha sottolineato Gerstung, aprendo nuove possibilità per la medicina preventiva.
Risultati e potenzialità del modello
Durante la presentazione, Gerstung ha mostrato grafici che evidenziano come l’intelligenza artificiale possa identificare individui con un rischio di attacco cardiaco significativamente più elevato o più basso rispetto a quanto suggerito dalla loro età e da altri fattori di rischio. Il team di ricerca ha verificato le prestazioni di Delphi-2M su dati provenienti da quasi due milioni di persone nel database della salute pubblica danese. Tuttavia, Gerstung e i suoi colleghi hanno avvertito che il modello necessita di ulteriori test e non è ancora pronto per l’uso clinico. Peter Bannister, ricercatore in tecnologia della salute, ha sottolineato che ci sono ancora distorsioni nei dataset utilizzati, in termini di età, etnia e risultati sanitari attuali, evidenziando la necessità di un approccio più inclusivo.
Il futuro della medicina predittiva
Nonostante queste limitazioni, Gerstung ha affermato che in futuro strumenti come Delphi-2M potrebbero svolgere un ruolo cruciale nel monitoraggio della salute e nell’attuazione di interventi clinici preventivi. Tom Fitzgerald, co-autore del European Molecular Biology Laboratory, ha aggiunto che tali sistemi potrebbero contribuire a ottimizzare le risorse in un sistema sanitario sempre più sotto pressione. Attualmente, molti medici in vari paesi utilizzano strumenti informatici per valutare il rischio di malattie, come il programma QRISK3, impiegato dai medici di famiglia britannici per stimare il rischio di attacco cardiaco o ictus. A differenza di questi strumenti, Delphi-2M ha la capacità di analizzare simultaneamente tutte le malattie su un lungo periodo di tempo, come spiegato dal co-autore Ewan Birney, rendendolo un alleato prezioso nella lotta contro le malattie.
Importanza dell’interpretabilità nell’intelligenza artificiale
Gustavo Sudre, professore del King’s College di Londra e specialista in intelligenza artificiale applicata alla medicina, ha commentato che questa ricerca rappresenta un passo significativo verso lo sviluppo di modelli predittivi scalabili, interpretabili e, soprattutto, eticamente responsabili. L’interpretabilità dell’intelligenza artificiale, o “IA spiegabile”, è uno degli obiettivi principali della ricerca in questo campo, poiché il funzionamento interno di molti modelli complessi rimane attualmente oscuro anche per i loro stessi sviluppatori. È fondamentale che i professionisti della salute possano comprendere come e perché un modello predittivo giunga a determinate conclusioni, per garantire un utilizzo etico e responsabile di queste tecnologie nel settore sanitario.
