PROGETTI DI RICERCA DI RILEVANTE INTERESSE NAZIONALE (PRIN) - BANDO PRIN 2022
PROGETTI FINANZIATI - UNIVERSITÀ DEGLI STUDI DI CASSINO E DEL LAZIO MERIDIONALE
Acronimo Prin2022_Bria_AIDA
ID Progetto 20228MZFAA
Titolo Progetto AIDA: explAinable multImodal Deep learning for personAlized oncology
Responsabile Scientifico locale BRIA - Alessandro
Programma di finanziamento PRIN 2022
Ente finanziatore MIUR
Ruolo responsabile Partner
Finanziamento totale del progetto
249.840,00_€
Finanziamento per UNICAS
52.560,00_€
ID CALL PRIN_2022
Abstract Progetto Nella quarta rivoluzione industriale stiamo assistendo a un'adozione rapida e diffusa dell'intelligenza artificiale (IA) nella nostra vita, compresa l'assistenza sanitaria. Gli avanzamenti nel deep learning (DL) dovrebbero apportare contributi significativi in questo settore supportando diagnosi, prognosi e decisioni terapeutiche. La maggior parte dei modelli DL considera solo dati unimodali, trascurando le informazioni disponibili in altre modalità dei fenotipi digitali dei pazienti, ad esempio immagini istopatologiche e cartelle cliniche elettroniche (EHR). Poiché l'interpretazione delle immagini è multimodale per sua natura, l'IA deve essere in grado di interpretare tali modalità insieme per progredire verso decisioni cliniche più informative. AIDA affronta questa sfida avanzando nel DL multimodale (MDL), un'area di grande interesse ancora in fase iniziale. Studia come le reti neurali profonde (DNN) possano apprendere rappresentazioni condivise tra diverse modalità indagando quando fondere le diverse modalità e come incorporare nell'addestramento qualsiasi processo in grado di apprendere rappresentazioni dati più potenti. AIDA cerca anche un'architettura di fusione MDL ottimale, robusta a modalità o dati mancanti, e studia la regolarizzazione multimodale per migliorare la stabilità, l'accelerazione algoritmica e ridurre l'overfitting. Considera anche approcci che mitigano l'addestramento da zero, anche quando sono disponibili set di dati di dimensioni ridotte come accade nell'ambito sanitario. Un ostacolo chiave all'uso di sistemi basati su DL in pratica è la loro natura di "scatola nera" che non consente di spiegare direttamente le decisioni prese. L'intelligenza artificiale spiegabile (XAI) sta cercando di migliorare fiducia e trasparenza, ma la sua indagine nell'ambito sanitario è ancora in una fase iniziale. AIDA esplora metodi XAI per MDL utilizzando meccanismi di attenzione, generando spiegazioni testuali e visive dettagliate, creando e testando concetti comprensibili all'essere umano, fornendo esempi controfattuali e consentendo l'interazione tra l'algoritmo e l'utente finale. Ciò può avere un impatto rivoluzionario poiché l'opacità del modello rende difficile per medici e regolatori fidarsi di esso. Oltre a offrire ai ricercatori di intelligenza artificiale un quadro per MDL che produce una rappresentazione dati più ricca e affidabile con prestazioni notevolmente migliorate rispetto all'uso di una singola modalità, AIDA affronta l'associazione tra radiomica, patomica ed EHRs nella medicina di precisione per prevedere gli esiti dei pazienti in termini di sopravvivenza senza progressione, sopravvivenza complessiva, tempo di ricaduta e tasso di risposta nel cancro polmonare non a piccole cellule, che rappresenta l'85% di tutti i casi di cancro polmonare. Questo rappresenta uno dei primi tentativi di integrare tutte queste modalità, poiché la letteratura continua a trascurare informazioni potenzialmente utili che raccolgono. AIDA svolge uno studio prospettico in due ospedali, valutando sperimentalmente il framework sviluppato anche in confronto con marcatori clinici convenzionali. Questa applicazione nella medicina di precisione rafforza l'impatto del progetto sociale ed economico, in linea anche con i pilastri del programma Horizon Europa.
SOTTO SETTORI ERC
Anno presentazione 2022
Anno Inizio Finanziamento 2023
Anno Fine Finanziamento 2025