Prof. Marco Salvatore Nobile

2.7 AI

INTELLIGENZA ARTIFICIALE APPLICATA ALLA SANITÀ

Lezione 1 (5h)

INTELLIGENZA ARTIFICIALE APPLICATA ALLA SANITÀ

Abstract
Grazie all’esplosione negli ultimi anni della potenza di calcolo, delle capacità di memoria, e della disponibilità di enormi dataset di alta qualità, l’Intelligenza Artificiale sta rivoluzionando ogni disciplina. In particolare, in medicina, dove le cosiddette omiche e le più avanzate tecnologie diagnostiche consentono di generare moltissimi dati di alta qualità e costruire modelli predittivi molto efficaci, per assistere la pratica e le decisioni cliniche. Inoltre, approcci non basati sull’apprendimento automatico consentono di realizzare nuovi strumenti per la medicina personalizzata, la medicina di precisione, e produrre farmaci sempre più efficaci in tempi molto ridotti. Per quanto siano efficaci, molti di questi sistemi hanno la limitazione di essere “black-box”, ovvero non forniscono una spiegazione della predizione, di cui il paziente ha diritto. L’arrivo inoltre dei modelli generativi, e in particolare i large language models, introduce complessità aggiuntiva dovuta ai fenomeni allucinatori tipici di questi sistemi, che possono essere molto rischiosi in ambito medico. Questa lezione fornisce una panoramica di metodi di intelligenza computazionale ad ampissimo spettro in diversi ambiti della medicina, e descrive tutti i rischi legati alla mancanza di spiegabilità, ai bias nei dataset, alla fairness, alle allucinazioni, e tutte le altre sfide di questo ambito.

Parole Chiave

• Intelligenza Artificiale
• Sistemi di supporto alle decisioni
• Etica dell’Intelligenza Artificiale
• AI fairness
• AI generativa

Bibliografia / Testi consigliati

1. AI in medicine must be explainable. S Kundu. Nature Medicine 27:1328, 2021
2. The false hope of current approaches to explainable artificial intelligence in health care. M Ghassemi, L Oakden-Raynerc, AL Beam. Lancet 3:11, 2021
3. From Explainable Artificial Intelligence (xAI) to Understandable Artificial Intelligence (uAI). H Abbass, K Crockett, J Garibaldi, A Gegov, U Kaymak, JMC Sousa. IEEE Transactions on Artificial Intelligence, 2024
4. MiThyCA: A computational pathology pipeline for the identification of microscopic foci of papillary thyroid carcinoma-like nuclear features with AI in whole-slide histological images. Leone Bacciu, Mario Urso, Vasco Coelho, Giorgio Cazzaniga, Angela Ida Pincelli, Mattia Garancini, Daniele M Papetti, Daniela Besozzi, Giulia Capitoli, Stefania Galimberti, Alessia Vargiolu, Nicola Fusco, Andrea Gianatti, Fabio Pagni, Vincenzo L’Imperio, Marco S Nobile. Endocrine Pathology 36:1, 2025
5. Investigating fairness with FanFAIR: is pre-processing useful only for performances? M Rispoli, MS Nobile, L Manzoni, A D’Onofrio, M Confalonieri, F Salton, P Confalonieri, B Ruaro, C Gallese. 2025 IEEE Symposium on Computational Intelligence in Health and Medicine (CIHM), 2025
6. Assessing the value of Explainable Artificial Intelligence for Magnetic Resonance Imaging. G Frasson, M Rizzo, MS Nobile, A Lupi, E Quaia. World Conference on Explainable Artificial Intelligence, 423-447, 2025
7. The dynamics of trust in XAI: Assessing perceived and demonstrated trust across interaction modes and risk treatments. MA Onari, G Baer, C Zhang, I Grau, MS Nobile, Y Zhang. The 3rd World Conference on eXplainable Artificial Intelligence, 2025
8. Machine Learning models explanations as interpretations of evidence: A theoretical framework of explainability and its implications on high-stakes biomedical decision-making. M Rizzo, A Veneri, M Marcuzzo, A Zangari, A Albarelli, C Lucchese, Marco S. Nobile, Cristina Conati. BMC Medical Research Methodology 24, 2025

< torna alla pagina Docenti