Guida all’Intelligenza Artificiale in campo medico
L‘Intelligenza Artificiale (IA) è destinata ad automatizzare i compiti amministrativi e supportare il processo decisionale dei medici, concedendo loro più tempo per le interazioni umane, una parte fondamentale in ambito medico. I potenti algoritmi utilizzati nei sistemi IA arriveranno, in ultimo, ad avere un ruolo preponderante nella professione medica.
Nel 2019, il valore del mercato globale dell’IA è stato stimato a 3,9 miliardi di dollari ed un crescente numero di investitori finanziari è interessato a sostenerne la crescita. Le stime indicano un valore di 28 miliardi di dollari entro il 2025, ma c’è così tanto battage pubblicitario attorno all’IA che talvolta è difficile scindere le affermazioni corrette da quelle illusorie. Le aziende che possiedono una certa consapevolezza in ambito IA sono in grado di etichettare falsamente le loro soluzioni, creando pubblicità fallaci per gli investitori finanziari. L’Intelligenza Artificiale è usata anche per attirare un pubblico maggiore, sovrastimando le capacità di una società. Questo rende quindi più difficile per gli operatori sanitari distinguere tra i fatti veri e il sensazionalismo che li circonda.
Sono già disponibili alcune guide per i medici, ma molte di queste trattano l’argomento come banale o al contrario sono troppo approfondite e/o specifiche rispetto ad un’area di studio. È necessaria una guida che sia chiara e concisa con informazioni rilevanti. Creare delle chiare linee guida e di supporto all’utilizzo dell’IA per i lavoratori è importante affinché l’IA sia sfruttata al pieno delle sue potenzialità. Questa ipotesi è stata discussa in un recente studio pubblicato su NPJ Digital Medicine, “A Short Guide for Medical Professionals in the Era of Artificial Intelligence” e condotto da Bertalan Meskó, M.D.
Semplificare il significato dell’IA
Nella sua forma più semplice, l’IA imita le capacità intellettuali umane e le ripropone attraverso dalle macchine che esaminano algoritmi e liste di regole per risolvere problemi e migliorare l’apprendimento.
Nick Bostrom, un filosofo dell’Università di Oxford, ha identificato una divisione dell’IA in tre livelli:
- Intelligenza artificiale ristretta (Artificial Narrow Intelligence – ANI)
Utilizza una grande quantità di dati, ed è in grado di stabilire modelli che possono comprendere la voce o il testo, così come raggruppare le sfide e dividere le immagini in categorie. Il suo QI è pari a zero ma è in grado di creare algoritmi ad una velocità molto elevata e svolgere compiti definiti. - Intelligenza Generale Artificiale (Artificial General Intelligence – AGI)
Questo è uno stadio che l’intelligenza artificiale non ha ancora raggiunto, ma indica la capacità di ricordare, argomentare, risolvere problemi e usare la logica. - Superintelligenza artificiale (Artificial SuperIntelligence – ASI)
Solamente in fase teorica, in questa fase l’IA avrà una capacità intellettuale al pari di un essere umano. Il raggiungimento di questa fase, che molti vedono come un rischio, avrà pesanti conseguenze per tutta l’umanità. Molte imprese sono titubanti di fronte a questa ipotesi, poiché c’à il rischio che l’umanità non possa comprendere la propria tecnologia. Questo ipotesi tuttavia appare molto fantascientifica.
Scienziati e medici si stanno interrogando sul ruolo ideale per l’IA. Sulla base della divisione descritta sopra, l’utilizzo ideale dell’IA è stato identificato fra il livello di ANI e AGI, ma non al livello estremo di AGI.
Una nuova branca di studio nell’ambito dell’IA si concentra proprio sulle limitazioni della divisione di cui sopra e sulla necessità di identificare una nuova divisione. Tale branca sottolinea come avere solamente ANI come livello 1 sia riduttivo, poiché l’IA esiste in maniera ancora più diffusa di quella identificata da ANI.
Segue una descrizione della tecnologia alla base dell’IA e dei suoi potenziali utilizzi.
L’IA come studente, gli umani come maestri: le tecniche all’interno dell’IA.
L’IA è stato paragonata più volte ad un bambino, anche se le sue abilità sono in continuo sviluppo. Così come i bambini imparano dagli adulti anche se non sono sempre seguiti direttamente, l’IA agisce come uno studente che assorbe le informazioni fornite e si migliora continuamente.
Gli sviluppatori sono in grado di generare equazioni per l’apprendimento automatico, così la macchina non ha bisogno di essere sempre seguita direttamente. Finché ci sono molti dati, la macchina può identificare e stabilire relazioni nei modelli ad una velocità molto elevata. Anche se naturalmente ce ne sono molte di più, di seguito sono elencate le 4 categorie principali di apprendimento automatico (Machine Learning – ML). L’ultimo, l’apprendimento profondo (Deep Learning – DL), è il più rilevante per i medici.
- Apprendimento supervisionato
Quest’ area funziona esattamente come farebbe un bambino in una classe. Quando i dati sono chiari a sufficienza, la macchina può comprendere pienamente i requisiti. In ambito medico, l’apprendimento supervisionato può essere utilizzato nel caso in cui, dati due gruppi A e B, essi abbiano due serie diverse di storia medica. Il Gruppo A ha diagnosi identificate attraverso informazioni sulla storia familiare e sulle cartelle cliniche. Il gruppo B ha informazioni sulla storia familiare e sulle cartelle cliniche, ma nessuna diagnosi ancora identificata. L’apprendimento supervisionato consente al gruppo B di fare una diagnosi rivedendo e analizzando i dati e le equazioni che provengono dal gruppo A. Al momento, questo è il metodo più comunemente utilizzato.
- Apprendimento non supervisionato
Questo metodo di apprendimento è meno guidato e più individuale, senza la guida di un formato di classe. É il bambino che alla fine sceglie il risultato. Vengono fornite grandi quantità di dati, ma è la macchina che forma le equazioni senza alcun tipo di supporto. La macchina può arrivare a formulare equazioni cui gli umani non hanno mai pensato. In questi casi gli algoritmi formulati non rappresentano solo un mero divertimento ma vengono presi in considerazione per il paziente o per la sperimentazione di farmaci.
- Apprendimento con rinforzo
Questo è il passo successivo all’apprendimento non supervisionato, dove al “bambino”, davanti ad un compito, viene permesso di compiere le proprie scelte per ottenere un risultato. Diversamente dall’apprendimento non supervisionato, tuttavia, questo richiede di nuovo l’input di un insegnante. La macchina compie azioni e prende decisioni ma gli scienziati dell’IA possono influenzare leggermente il corso dell’azione in base alla migliore azione identificata. Nell’ambito dell’assistenza sanitaria, questo metodo non è ancora ampiamente utilizzato, poiché un numero elevato degli algoritmi utilizzati non può essere testato sui pazienti.
- Apprendimento approfondito (Deep learning – DL)
Questa area di apprendimento è diversa e molto più avanzata delle altre forme precedentemente descritte e si basa sulle reti neurali artificiali (ANN), una replica del cervello umano. La struttura ANN può avere molti strati, e più strati ha, più progetti dettagliati e complessi può portare avanti. In ambito medico questo metodo può essere utilizzato per raggruppare diagnosi; un’equazione DL è in grado di raggruppare, per esempio, “Diabete di tipo 1” accanto all’abbreviazione “T1D” poiché può identificare le somiglianze dai dati forniti. L’intervento umano non è necessario per fare questo. Altri metodi di ML hanno invece bisogno dell’intervento umano per identificare la relazione tra “Type 1 Diabetes” e “T1D”.
Sensazionalismo mediatico vs. fatti concreti
Quanto descritto sopra rappresenta una breve descrizione generale dell’IA per fornire le conoscenze base necessarie per comprendere meglio ciò che leggiamo a riguardo. Ci sono infatti sempre più articoli che trattano il tema della tecnologia, i suoi usi e le sue capacità.
Naturalmente, il tema verrà trattato in moltissimo modi diversi, talvolta esagerando le potenzialità della tecnologia e creando falsi miti attorno ad essa. È importante dunque assicurarsi di considerare i seguenti aspetti quando ci si informa sull’IA.
- Dati, dati, dati
Assicuratevi di leggere la Metodologia in ogni studio o recensione presentata. Tramite la Metodologia potete vedere il tipo di dati utilizzati per supportare l’algoritmo. È necessaria una grande quantità di dati affinché l’algoritmo sia affinato al meglio delle sue capacità. Le collaborazioni tra istituzioni sanitarie e medici permettono di utilizzare un’enorme quantità di dati. Tuttavia, al fine di aumentare la dimensione del set di dati utilizzati, possono essere talvolta utilizzati trucchi come la rotazione delle immagini, una scorciatoia che non migliora la qualità dei dati.
- Problemi clinici da risolvere con soluzioni cliniche
L’utilizzo dei dati identificati deve essere considerato attentamente e i dati devono poter essere utilizzati facilmente. L’IA può esaminare i dati molto rapidamente, tuttavia il modo in cui tali dati vengono utilizzati e adottati all’interno dei vari ambiti varia. L’implementazione deve essere chiara, e i risultati pure. Essi devono infatti aderire a determinati protocolli clinici e se questo non è il caso, l’IA rischia di operare in modo disfunzionale e intralciare il lavoro dei professionisti a contatto con pazienti. L’IA richiede una visione molto ampia dei dati, non dati predefiniti. I dati devono dunque essere “reali” per essere utilizzati in maniera efficace nella vita reale.
- Capire l’IA
È importante capire quale metodo di ML o DL viene utilizzato nell’IA in esame. Il metodo deve essere chiaro e devono essere forniti dettagli a riguardo. In molti utilizzano l’IA a sproposito, per questo una buona dose di scetticismo è importante quando si lavora con gli sviluppatori di IA.
Come detto in precedenza, quando leggete di “intelligenza artificiale” assicuratevi di considerare se la metodologia è stata discussa a sufficienza, in quanto questo aiuterà a valutare la qualità dell’articolo in esame.
- Tenersi aggiornati
Ci sono innumerevoli articoli e guide sul tema dell’IA tra cui scegliere. Consigliamo un recente studio del Dr. Bertalan Meskó e Marton Gorog per un quadro chiaro degli ultimi sviluppi in materia. È importante tenersi aggiornati sugli ultimi utilizzi dell’IA come per la gestione della pandemia di Covid-19, per i progressi nelle protesi e per altri sviluppi in campo medico.