Modulo 3

Modulo 3
Intelligenza Artificiale in Ambito Biomedico: Fondamenti, Applicazioni e Prospettive Operative

Si rende necessaria, in primis, un’introduzione sull’intelligenza artificiale nell’ambito biomedico, analizzandone la definizione, le differenze tra approcci classici e reti neurali profonde, concludendo con l’evoluzione e l’applicazione dell’Intelligenza Artificiale (AI) nel contesto clinico e biologico. Segue una riflessione su Machine Learning (ML) e i modelli predittivi, partendo dai concetti base e dalle logiche di apprendimento sia degli algoritmi supervisionati che non, concludendo con le applicazioni pratiche (valutazione del rischio clinico, ottimizzazione dei processi biologici) e i limiti del ML in ambito clinico. Si passa quindi ad un approfondimento su potenzialità e implicazioni cliniche del Deep Learning (DL), partendo dall’analisi della struttura delle reti neurali artificiali, per arrivarne alle applicazioni pratiche e alle criticità. Con lo scopo di fornire strumenti per analizzare in maniera critica sia i modelli utilizzati nella pratica biomedica che la letteratura scientifica relativa all’IA, verranno delucidati argomenti fondamentali come la metodica con cui leggere un algoritmo clinico e gli elementi chiave di una pubblicazione AI-based.
 

Contenuti

1. Introduzione all’Intelligenza Artificiale in ambito biomedico
   • Definizione e panoramica: Intelligenza Artificiale (AI), Machine Learning (ML), Deep Learning (DL)
   • Differenze tra approcci classici (statistici) e reti neurali profonde
   • Evoluzione e applicazione dell’AI nel contesto clinico e biologici
2. Machine Learning e modelli predittivi
   • Algoritmi supervisionati e non supervisionati: concetti base e logiche di apprendimento
   • Modelli di classificazione e regressione: decision tree, random forest, support vector machine
   • Applicazioni pratiche: valutazione del rischio clinico, ottimizzazione di processi biologici, automazione nel laboratorio
   • Limiti del ML in ambito clinico: interpretabilità, adattabilità, rischio di bias
3. Deep Learning: potenzialità e implicazioni cliniche
   • Struttura delle reti neurali artificiali, CNN (Convolutional Neural Networks) e RNN (Recurrent Neural Networks)
   • Applicazioni pratiche:
     • Classificazione automatica di immagini mediche (es. TAC, istopatologia)
     • Interpretazione automatizzata di segnali fisiologici (es. EEG, ECG)
     • Predizione di outcome clinici su grandi moli di dati
   • Criticità del DL: necessità di dataset estesi, rischio overfitting, difficoltà di spiegazione del modello 
4. Valutazione e interpretazione dei modelli
   • Come leggere un algoritmo clinico: output, metodi di addestramento, limiti del modello
   • Indicatori fondamentali: accuratezza, sensibilità, specificità, AUC, F1-score
   • Explainability: interpretabilità dei modelli e fiducia clinica
5. Come interpretare uno studio scientifico su IA clinica
   • Elementi chiave di una pubblicazione AI-based: metodologia, dataset, risultati, metriche
   • Riconoscere bias di selezione, generalizzabilità e validità clinica
   • Esercitazione pratica

Competenze attese a fine modulo

  •  Comprensione dei principali approcci AI/ML/DL in ambito biomedico
  •  Capacità di analizzare criticamente algoritmi e modelli utilizzati nella pratica biomedica
  •  Riconoscere opportunità e limiti dei sistemi intelligenti
  •  Sviluppare uno sguardo critico e informato sulla letteratura scientifica relativa all’IA
  •  Approccio consapevole e responsabile all’uso dell’AI nei contesti clinici e di laboratorio
 

Obiettivi formativi

•  Fornire conoscenze di base e avanzate su AI, ML e DL in ambito sanitario e biomedico
•  Spiegare i principali algoritmi e modelli predittivi applicabili in contesti clinici e di laboratorio
•  Introdurre le potenzialità del Deep Learning in ambito diagnostico e fisiologico
•  Offrire strumenti per valutare criticamente modelli e studi scientifici che impiegano IA
•  Promuovere l’uso consapevole dell’intelligenza artificiale nei contesti professionali
   

Contenuti

1.  Introduzione all’IA, ML e DL: concetti chiave e contesto biomedico
2.  Algoritmi supervisionati e non supervisionati: classificazione e regressione
3.  Reti neurali artificiali, CNN e RNN: funzionamento e applicazioni cliniche
4.  Uso del Deep Learning in diagnostica per immagini, segnali biologici, predizione di outcome
5.  Valutazione dei modelli: metriche, output, interpretabilità (explainability)
6.  Lettura critica di pubblicazioni su IA clinica: come analizzare e giudicare uno studio scientifico

Attività pratica: Lettura critica di uno studio scientifico su IA clinica 

Titolo: Capire per decidere: leggere e valutare uno studio scientifico basato su Intelligenza Artificiale

Obiettivi operativi:

• Imparare a identificare le componenti chiave di uno studio su AI
• Valutare l’affidabilità, la trasparenza e la validità clinica di un modello
• Discutere il potenziale impatto nella pratica quotidiana e i limiti applicativi

Materiale fornito:

• Un articolo scientifico scelto tra pubblicazioni peer-reviewed (preferibilmente open access), che utilizza un modello di AI per un'applicazione biomedica o clinica (es. diagnosi da immagini, predizione eventi avversi, screening automatico)
• Una scheda guida alla lettura critica, con le seguenti sezioni:
  1. Obiettivo e contesto clinico
     • Qual è il problema affrontato dallo studio?
     • È rilevante per la pratica medica o biologica?
  2. Tipo di modello AI utilizzato
     • Si tratta di un modello di ML o DL?
     • È spiegato il funzionamento (black box vs. interpretabile)?
  3. Dataset utilizzato
     • Dimensioni del campione, fonti, rappresentatività
     • È riportato come sono stati selezionati i dati? C’è rischio di bias?
  4. Metriche di valutazione del modello
     • ​​​​​​​Quali metriche sono state usate? (Accuracy, AUC, F1, sensitivity, specificity)
     • Sono sufficienti per valutare le prestazioni in un contesto clinico?
  5. Validazione del modello
     • ​​​​​​​È stata fatta una validazione esterna (su nuovi dati)?
     • Lo studio menziona test prospettici o solo retrospettivi?
  6. Applicabilità clinica
     • Lo studio propone come e dove integrare il modello?
     • L'output è utile al professionista o richiede mediazione tecnica?
  7. Limiti dichiarati e non dichiarati
     • Gli autori discutono i limiti dello studio?
     • Riconosci limiti non esplicitati?
  8. Conclusioni e giudizio personale
     • Condividi le conclusioni degli autori?
     • Il modello sarebbe applicabile nel tuo ambito?

Modalità operativa:

• I partecipanti lavorano in piccoli gruppi interdisciplinari
• Ogni gruppo riceve lo stesso articolo o articoli diversi sullo stesso tema
• Utilizzano la scheda per discutere e compilare una valutazione critica condivisa
• Al termine, ogni gruppo presenta in aula una sintesi critica, evidenziando:
  • I punti di forza
  • Le criticità rilevate
  • L’utilizzabilità reale nella pratica clinico-biologica

Output finale:

• Presentazione orale di 5 minuti per gruppo
• Consegna della scheda compilata
• Discussione plenaria con i docenti per confronto e validazione

Risultati attesi: 

• Acquisizione di strumenti per analizzare criticamente la letteratura su AI
• Maggiore autonomia nella valutazione della validità scientifica e clinica dei modelli
• Stimolo al confronto interdisciplinare tra figure sanitarie e tecnico-scientifiche