Le tecniche di intelligenza artificiale possono essere utili per molteplici applicazioni mediche, come la radiologia o l’oncologia, dove la capacità di riconoscere modelli in grandi volumi di dati è vitale. Per questi tipi di applicazioni, l’intelligenza artificiale confronta le informazioni con esempi appresi, trae conclusioni ed effettua estrapolazioni.
Ora, un team internazionale guidato da ricercatori della Ludwig-Maximilians-Universität München (LMU) e comprendente ricercatori dell’Università di Cambridge sta esplorando il potenziale di un ramo relativamente nuovo dell’IA per la diagnostica e la terapia.
I ricercatori hanno scoperto che l’apprendimento automatico causale (ML) può stimare i risultati del trattamento e farlo meglio dei metodi di apprendimento automatico generalmente utilizzati fino ad oggi. L’apprendimento automatico causale rende più semplice per i medici personalizzare le strategie di trattamento, migliorando la salute dei pazienti individualmente.
IL risultatiriportato sulla rivista Medicina della naturasuggeriscono che l’apprendimento automatico causale potrebbe migliorare l’efficacia e la sicurezza di vari trattamenti medici.
L’apprendimento automatico classico riconosce modelli e scopre correlazioni. Tuttavia il principio di causa ed effetto resta precluso alle macchine; non possono affrontare la questione del perché. Il “perché” è fondamentale per ottenere i migliori risultati quando si prendono decisioni terapeutiche per un paziente.
“Lo sviluppo di strumenti di apprendimento automatico per rispondere a domande sul perché e cosa succede se dà potere ai medici perché può rafforzare i loro processi decisionali”, ha affermato la professoressa Mihaela van der Schaar, autrice senior dello studio, direttrice del Cambridge Center for AI in Medicine. Ma questo apprendimento automatico è molto più complesso della valutazione del rischio personalizzata”.
Ad esempio, quando si tenta di determinare decisioni terapeutiche per qualcuno a rischio di sviluppare il diabete, il machine learning classico mirerebbe a prevedere quanto sia probabile che un dato paziente con una serie di fattori di rischio sviluppi la malattia. Con il riciclaggio causale sarebbe possibile rispondere a come cambia il rischio se il paziente riceve un farmaco antidiabetico; cioè, valutare l’effetto di una causa. Sarebbe anche possibile stimare se la metformina, il farmaco comunemente prescritto, sarebbe il trattamento migliore o se un altro piano di trattamento sarebbe migliore.
Per poter stimare l’effetto di un ipotetico trattamento, i modelli di intelligenza artificiale devono imparare a rispondere “e se?” domande. “Diamo alla macchina le regole per riconoscere la struttura causale e formalizzare correttamente il problema”, ha affermato il professor Stefan Feuerriegel della LMU, che ha guidato la ricerca. “Quindi la macchina deve imparare a riconoscere gli effetti degli interventi e capire, per così dire, come le conseguenze della vita reale si riflettono nei dati che sono stati immessi nei computer”.
Anche in situazioni per le quali non esistono ancora standard di trattamento affidabili o dove studi randomizzati non sono possibili per ragioni etiche perché contengono sempre un gruppo placebo, le macchine potrebbero comunque valutare i potenziali risultati del trattamento dai dati disponibili dei pazienti e formulare ipotesi per possibili piani di trattamento, così sperano i ricercatori.
Con tali dati del mondo reale, dovrebbe essere generalmente possibile descrivere le coorti di pazienti con una precisione sempre maggiore nelle stime, avvicinando ancora di più le decisioni terapeutiche individualizzate. Naturalmente, garantire l’affidabilità e la robustezza dei metodi sarebbe ancora una sfida.
“Il software di cui abbiamo bisogno per i metodi di machine learning causale in medicina non esiste già pronto”, afferma Feuerriegel. “Piuttosto, è necessaria una modellizzazione dei problemi complessa, che coinvolga una stretta collaborazione tra esperti di intelligenza artificiale e medici”.
Feuerriegel spiega che in altri campi, come ad esempio il marketing, il lavoro con il ML causale è già in fase di sperimentazione ormai da alcuni anni. “Il nostro obiettivo è avvicinare ulteriormente i metodi alla pratica”, ha affermato. Il documento descrive come potrebbero evolversi le cose nei prossimi anni.
“Ho lavorato in questo settore per quasi 10 anni, lavorando incessantemente nel nostro laboratorio con generazioni di studenti per risolvere questo problema”, ha affermato van der Schaar, affiliato ai dipartimenti di matematica applicata e fisica teorica, ingegneria e medicina. “Si tratta di un’area estremamente impegnativa dell’apprendimento automatico e vederla avvicinarsi all’uso clinico, dove darà potere sia ai medici che ai pazienti, è molto soddisfacente.”
Fonte: università di Cambridge
Da un’altra testata giornalistica. news de www.technology.org
