L'intelligenza artificiale (IA) è un campo di ricerca in rapida espansione, proiettato verso un futuro di grande impatto. Le sue applicazioni, che toccano ogni aspetto dell'attività umana, stanno portando a significativi miglioramenti nella qualità delle cure sanitarie. L'IA, infatti, si posiziona come elemento centrale della medicina del futuro, abilitando innovazioni quali operazioni chirurgiche assistite, il monitoraggio remoto dei pazienti, lo sviluppo di protesi intelligenti e la creazione di trattamenti personalizzati, resi possibili dall'incrocio di vasti insiemi di dati (i cosiddetti big data). In questo contesto, i ricercatori stanno sviluppando un'ampia gamma di approcci e tecniche, che spaziano dall'elaborazione del linguaggio naturale e la costruzione di ontologie, alla data mining e all'apprendimento automatico.
È tuttavia indispensabile che il grande pubblico comprenda il funzionamento di questi sistemi per sapere con chiarezza cosa possono fare e, soprattutto, cosa non possono fare. L'immagine del robot onnisciente, che per molti simboleggia l'IA, è ancora lontana dalla realtà. Questo dossier è stato realizzato in collaborazione con Jean Charlet (AP-HP e Laboratorio di informatica medica e ingegneria delle conoscenze per l'e-salute – LIMICS, unità 1142 Inserm/Sorbonne Université/Université Sorbonne Paris nord) e Xavier Tannier (LIMICS).
Comprendere l'IA
L'intelligenza artificiale è nata negli anni '50 con l'obiettivo di far eseguire alle macchine compiti tipicamente umani, mimando l'attività del cervello. Dopo le difficoltà iniziali, si sono delineati due principali orientamenti di ricerca.
L'IA "forte" e l'IA "debole"
- I sostenitori dell'intelligenza artificiale cosiddetta forte mirano a progettare una macchina capace di ragionare come l'essere umano, con il presunto rischio di generare una macchina superiore all'uomo e dotata di una propria coscienza. Questa via di ricerca è ancora esplorata oggi, anche se molti ricercatori nel campo dell'IA ritengono che raggiungere un obiettivo così ambizioso sia impossibile.
- D'altro canto, i sostenitori dell'intelligenza artificiale cosiddetta debole implementano tutte le tecnologie disponibili per progettare macchine capaci di aiutare gli esseri umani nei loro compiti. Questo campo di ricerca mobilita numerose discipline, dall'informatica alle scienze cognitive, passando per la matematica, senza dimenticare le conoscenze specializzate dei settori a cui si desidera applicarla. Questo approccio – che sarà il focus di questo dossier – genera tutti i sistemi specializzati e performanti che popolano oggi il nostro ambiente: creare profili di possibili "amici" sui social network, identificare date nei testi per classificare le notizie delle agenzie, aiutare il medico a prendere decisioni. Questi sistemi, di complessità molto variabile, hanno in comune il fatto di essere limitati nelle loro capacità di adattamento: devono essere adattati manualmente per compiere compiti diversi da quelli per cui sono stati inizialmente concepiti. Si parla in questo caso di "ricontestualizzare" il sistema.
I domini di applicazione dell'IA in medicina
Le applicazioni dell'IA in medicina si possono generalmente raggruppare in base all'approccio metodologico adottato.
Alcuni sistemi di IA utilizzano la logica: l'approccio simbolico
L'approccio più antico si basa sull'idea che noi ragioniamo applicando regole logiche (deduzione, classificazione, gerarchizzazione...). I sistemi progettati su questo principio applicano diverse metodologie, fondate sull'elaborazione di modelli di interazione tra automi o software autonomi (sistemi multi-agente), di modelli sintattici e linguistici (elaborazione automatica del linguaggio naturale) o di elaborazione di ontologie (rappresentazione delle conoscenze). Questi modelli vengono poi utilizzati da sistemi di ragionamento logico per produrre nuove informazioni o fatti.
Negli anni '80, questo approccio, detto simbolico, ha permesso lo sviluppo di strumenti capaci di riprodurre i meccanismi cognitivi di un esperto. Per questo motivo sono stati battezzati "sistemi esperti". I più celebri, come Mycin (per l'identificazione di infezioni batteriche) o Sphinx (per il rilevamento di itteri), si basavano sull'insieme delle conoscenze mediche in un dato dominio e su una formalizzazione dei ragionamenti degli specialisti che collegavano queste conoscenze tra loro per arrivare a una diagnosi. I sistemi attuali, qualificati come "aiuto alla decisione", "gestione delle conoscenze" o "e-salute", sono più sofisticati. Essi beneficiano di migliori modelli di ragionamento così come di migliori tecniche di descrizione delle conoscenze mediche, dei pazienti e degli atti medici. La meccanica algoritmica è globalmente la stessa, ma i linguaggi di descrizione sono più efficaci e le macchine più potenti. Non cercano più di sostituire il medico, ma di affiancarlo in un ragionamento fondato sulle conoscenze mediche della sua specialità.
Aiutare nella gestione dei tumori al seno: il progetto Desiree
Squadre del Laboratorio di informatica medica e ingegneria delle conoscenze in e-salute (LIMICS, unità Inserm 1142) e dell'Assistance Publique – Hôpitaux de Paris, hanno partecipato a un progetto europeo, Desiree, che si basa sull'approccio simbolico per aiutare i clinici nel trattamento e nel monitoraggio delle pazienti affette da tumori al seno. Queste malattie molto complesse richiedono spesso adattamenti ai protocolli classici.
La piattaforma Desiree integra le raccomandazioni di buona pratica attraverso l'implementazione di un ragionamento fondato su un'ontologia. Il sistema può anche imparare dai casi già risolti (riproducendo le decisioni prese per casi simili al caso clinico da risolvere), o da un ragionamento per esperienza (riutilizzando decisioni che non erano conformi alle raccomandazioni, sulla base di criteri esplicitati nella giustificazione della non-osservanza delle raccomandazioni). L'arricchimento continuo della base di casi permette di far evolvere le proposte del sistema per l'aiuto nella gestione terapeutica delle pazienti.
La principale difficoltà dell'approccio simbolico risiede nella modellazione delle conoscenze (descrizione del dominio e del ragionamento) che si basa su un lavoro approfondito con specialisti del settore interessato.
Altri sistemi sfruttano l'esperienza passata: l'approccio numerico
Contrariamente all'approccio simbolico, l'approccio cosiddetto numerico ragiona sui dati. Il sistema cerca regolarità nei dati disponibili per estrarre conoscenze, senza un modello predefinito. Questo metodo, nato con il connessionismo e le reti neurali artificiali negli anni '80, si sviluppa oggi grazie all'aumento della potenza dei computer e all'accumulo di gigantesche quantità di dati, il famoso big data.
La maggior parte dei sistemi attuali procede tramite apprendimento automatico (machine learning), una metodologia fondata sulla rappresentazione matematica e informatica dei neuroni biologici, secondo modalità più o meno complesse. Gli algoritmi di apprendimento profondo (deep learning), per esempio, il cui utilizzo è esploso nell'ultimo decennio, stabiliscono un'analogia lontana con il funzionamento cerebrale, simulando una rete di neuroni organizzati in diverse strati che scambiano informazioni tra loro. La forza di questo approccio è che l'algoritmo apprende il compito che gli è stato assegnato per "tentativi ed errori", per poi svolgerlo autonomamente.
Applicazioni di deep learning esistono nell'elaborazione di immagini, per esempio per individuare possibili melanomi su foto della pelle, o per diagnosticare retinopatie diabetiche su immagini della retina. La loro messa a punto richiede grandi campioni di apprendimento: 50.000 immagini nel caso dei melanomi e 128.000 nel caso delle retinopatie sono state necessarie per addestrare l'algoritmo a identificare i segni delle patologie. Per ciascuna di queste immagini, è stata fornita un'etichetta o una diagnosi da parte di esperti umani, consentendo al sistema di imparare a riconoscere pattern specifici.
L'intelligenza artificiale continua a progredire rapidamente, aprendo nuove frontiere per la salute e il benessere. La collaborazione tra esperti di diversi settori, la trasparenza sul funzionamento dei sistemi e un'attenta considerazione delle implicazioni etiche e sociali saranno cruciali per massimizzare i benefici di questa tecnologia trasformativa.