L'Intelligenza Artificiale (IA) è un campo dell'informatica che si occupa di creare sistemi e algoritmi in grado di eseguire compiti che altrimenti richiederebbero l’intelligenza umana.
Gli algoritmi sono come le istruzioni di un libro di cucina che, passo dopo passo, permettono di preparare un piatto. In campo informatico sono le informazioni ed istruzioni che consentono di eseguire compiti in modo organizzato, ragionato e automatico.
Questi sistemi sono in grado di imparare dai dati, trarre conclusioni, prendere decisioni e risolvere problemi in modo autonomo.
Per comprendere perché l'IA rivoluzionerà la Medicina è necessario parlare della sua evoluzione storica e accennare ai meccanismi che sono alla base del suo funzionamento.
Evoluzione storica dell'IA
Se si dovesse giudicare dal volume delle ricerche su Google sull’IA, sembrerebbe che il termine sia comparso a giugno del 2022 in modo quasi improvviso .
In realtà, le radici dell'IA risalgono alla prima metà del XX secolo, quando i pionieri della scienza informatica iniziarono a immaginare computer capaci di emulare le funzioni cognitive umane.
In quegli anni, la ricerca sull'IA si concentrò sull'apprendimento automatico e sul riconoscimento di modelli che potessero spiegare l’aggregazione dei dati.
Negli anni '70 e '80, l'IA ha fatto il suo ingresso nel campo medico, con sistemi indirizzati a gestire i pixel che compongono un’immagine radiologica. Stava nascendo la Tomografia Computerizzata.
All’inizio, i progressi sono stati lenti, perché condizionati dalla complessità dei dati medici e dalle limitazioni delle risorse computazionali.
Successivamente, lo sviluppo dei microprocessori e, di pari passo, dei software hanno raggiunto livelli tali da consentire l’archiviazione e l’elaborazione di un quantitativo di dati semplicemente inimmaginabile solo pochi anni prima. Basta pensare che un comune smartphone ha una potenza di calcolo cento volte superiore a quella dei computer che hanno gestito la missione lunare di Apollo 11.
Negli anni ’80 e'90 sono comparsi i primi algoritmi di apprendimento automatico che hanno permesso la creazione di sistemi in grado di imparare da vasti set di dati e di scoprire schemi e correlazioni complesse e, fino a quel momento, inesplorate.
Questo apprendimento dai dati ha permesso la creazione di sistemi capaci di trarre conclusioni, prendere decisioni e risolvere problemi in modo autonomo.
Fra le tante attività dell’uomo, quella che maggiormente si è avvalsa dello sviluppo dell’IA è stata la finanza. I mercati azionari, quelli delle materie prime e dei prodotti agricoli sono gestiti dall’IA, con una minima supervisione umana.
Si tratta di sistemi poco o affatto pubblicizzati, dei quali ancor meno si conosce e per i quali è stato coniato il termine di Black Box, scatola nera.
Negli ultimi anni, si è assistito alla convergenza applicativa di big data, algoritmi avanzati e potenti risorse di calcolo, che hanno portato l'IA in prima linea nell'innovazione della scienza medica.
Come funziona l'Intelligenza Artificiale?
L'IA si basa su algoritmi e modelli matematici che consentono ai computer di apprendere automaticamente dai dati e di prendere decisioni basate su queste informazioni.
L'apprendimento automatico è quella parte dell'intelligenza artificiale che si occupa di sviluppare algoritmi e modelli che consentono ai computer di imparare dai dati e, soprattutto, migliorare le prestazioni nel tempo. Questo tipo di apprendimento si basa sull'analisi di grandi quantità di dati e sull'identificazione di pattern e relazioni al loro interno.
L'apprendimento automatico può essere suddiviso in diverse categorie, tra cui:
Apprendimento supervisionato. In questo tipo di apprendimento, il sistema viene addestrato utilizzando dati etichettati, cioè dati le cui proprietà sono identificate in modo corretto. Il sistema impara a fare classificazioni e previsioni basandosi su questi dati etichettati. Un modello di apprendimento automatico può essere addestrato sottoponendogli immagini di gatti e cani, ciascuna correttamente etichettata come gatto o cane. Dopo la fase di apprendimento, il sistema sarà in grado di riconoscere l’immagine di un cane o di un gatto, senza necessità di un’etichetta. Non solo, il sistema continuerà ad apprendere anche dai propri errori divenendo sempre più preciso ed affidabile.
Apprendimento non supervisionato. In questo caso, il modello viene addestrato utilizzando dati non etichettati, cioè dati dei quali non sono note le caratteristiche e le categorie di appartenenza. In questo caso il sistema cerca di identificare pattern o strutture all'interno dei dati, senza alcuna guida esterna. Un modello di apprendimento di questo tipo può essere utilizzato per raggruppare documenti simili, senza avere informazioni predefinite sulle categorie. Analizzando tutti i testi digitalizzati nelle biblioteche mondiali sarebbe possibile individuare tutti quelli che parlano del Diluvio Universale. Scopriremo che l’argomento ricorre nelle narrazioni delle culture e religioni più antiche e disparate, provenienti da tutti gli angoli della terra.
Apprendimento semi-supervisionato. Questo tipo di apprendimento combina elementi dell'apprendimento supervisionato e non supervisionato. Il modello viene addestrato utilizzando un insieme di dati, solo alcuni dei quali hanno un’etichetta. Questo approccio è utile quando l'etichettatura dei dati è costosa o richiede molto tempo. Ovviamente, il passo successivo è rappresentato dalla verifica del corretto apprendimento, per evitare errori e distorsioni. Un esempio di apprendimento di questo tipo è rappresentato dal riconoscimento dei volti delle persone presenti in un'immagine. Per quanto complesso possa sembrare, è alla base dell’applicazione che contorna i volti, quando scattiamo una foto con i nostri smartphone, e che riconoscerà il volto di nostra moglie in tutte le immagini presenti nella raccolta fotografica dello smartphone.
L'apprendimento automatico ha numerose applicazioni pratiche nell'IA. Ad esempio:
Riconoscimento di immagini e oggetti. L'apprendimento automatico può essere utilizzato per addestrare modelli che riconoscono oggetti o caratteristiche specifiche delle immagini. Questo può essere utile in applicazioni come la sorveglianza video, la guida autonoma e, in campo medico, la diagnostica radiologica e il riconoscimento delle strutture anatomiche nella chirurgia laparoscopica e robotica.
Elaborazione del linguaggio naturale. L'apprendimento automatico può essere utilizzato per addestrare modelli che comprendono e generano il linguaggio umano. Questo può essere utile in applicazioni come le chatbots, la traduzione automatica e l'analisi delle emozioni/reazioni suscitate dalle interazioni con i social media. Scienziati del Massachusetts Institute of Technology hanno dimostrato che, partendo dai manuali d’istruzione, è possibile individuare la strategia vincente per tutti i videogiochi che richiedono scelte strategiche. Sempre a proposito di manuali d’istruzione, le capacità di elaborazione del linguaggio naturale permettono la compilazione di manuali d’uso per le lavatrici completi e di facile comprensione. I risparmi per i produttori di lavatrici e i vantaggi per gli utenti sono evidenti.
Raccomandazioni personalizzate. L'apprendimento automatico può essere utilizzato per creare modelli che analizzano i dati degli utenti e forniscono raccomandazioni personalizzate. È questo il meccanismo che viene utilizzato tutti i giorni dai sistemi che ci raccomandano prodotti o contenuti in base al nostro utilizzo dei motori di ricerca. In campo medico, può essere utilizzato per raccomandare un particolare regime terapeutico in base alle caratteristiche biologiche della malattia e del paziente.
Previsione. L'apprendimento automatico può essere utilizzato per creare modelli che fanno previsioni basate su dati storici. Questo impiego è utilizzato nei campi più disparati, dalla previsione delle tendenze di mercato a quelle del tempo atmosferico. In campo medico sta rivoluzionando la previsione delle complicanze dei trattamenti medici e chirurgici e la definizione della prognosi delle malattie.
Non bisogna dimenticare che l'IA in campo medico solleva questioni etiche peculiari (si parla di Algoretica) e sociali. Innanzi tutto, è fondamentale garantire la trasparenza e l'equità nel suo uso, evitando discriminazioni e ingiustizie. Al riguardo esistono rilevanti incertezze e perplessità che hanno portato alla creazione di organismi di controllo e regolazione, sia a livello nazionale (singoli stati) che sovranazionale (CEE e ONU).
Ad esempio, l'IA potrebbe essere influenzata dai dati di addestramento che riflettono disparità od errori nella loro raccolta, portando a diagnosi più probabili in determinati gruppi demografici. Questo potrebbe causare trattamenti inappropriati e una qualità delle cure condizionata dalla razza o dall'etnia dei pazienti.
Gli algoritmi di IA non correttamente istruiti potrebbero essere utilizzati per prendere decisioni con un impatto negativo sulla vita delle persone, come la decisione di negare un trattamento medico solo in ragione dell’età del paziente o ad altri parametri individuati autonomamente dagli algoritmi e non condivisibili per ragioni etiche, morali o anche scientifiche.
Questi rilievi sottolineano la necessità di una rigorosa supervisione umana nell'interpretazione e nell'applicazione dei risultati generati dall'IA nel contesto medico.
Inoltre, è importante considerare l'impatto sociale dell'IA in medicina, comprese le implicazioni sull'occupazione e sulla prosperità, nonché sul senso stesso di essere umani.
Mentre l'IA offre molteplici vantaggi nel campo medico, è fondamentale considerare attentamente i rischi associati, come la discriminazione, la diffusione di informazioni non corrette e il rischio di sostituire eccessivamente il ruolo dell’essere umano.
La corretta gestione di tali rischi è essenziale per garantire un utilizzo responsabile ed efficace dell'IA nel contesto medico.
In conclusione, l'IA ha il potenziale per rivoluzionare il settore medico, migliorando la diagnosi, il trattamento e la gestione delle malattie.
È fondamentale affrontare in modo proattivo le questioni etiche (più propriamente, algoretiche), sociali, di privacy e di sicurezza dei dati legate all'uso dell'IA in medicina al fine di garantire un impatto positivo ed equo per tutti i pazienti e la comunità medica.
Σχόλια