Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Ruolodell’IntelligenzaAr2ficialeinSanità
Ing.M.GrigioniCentroNazionaleTecnologieInnova2veperlaSalutePubblica–ISSRoma
SSNeruolodell’ISS Cos-tuzione,Ar-colo32.ü La Repubblica tutela la salute come fondamentale diriDo dell'individuo e interesse
dellacolleFvità,egaran2scecuregratuiteagliindigen2.ü Nessuno può essere obbligato a un determinato traDamento sanitario se non per
disposizionedilegge.ü Laleggeinnessuncasopuòviolareilimi2impos2dalrispeDodellapersonaumana.
Legge23dic.1978n.833:Is-tuzionedelServizioSanitarioNazionale(SSN)Art.1legge833“laRepubblicatutelalasalutecomefondamentalediriDodell’individuoeinteressedellacolleFvitàmedianteilSSN”.KeyWords:UNIVERSALISMOeEQUITÀOBIETTIVIDELSSNUniformitàdelle condizioni di salute su tuDo il territorionazionale, garantendoa tuF ilivelliuniformidiassistenza.
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
Ondadelletecnologieemergen2
L’implementazionedellenuovetecnologievaoltrelepare-dell’ospedale
UnaNuovaIden-tàDigitaleanchesanitaria!!!Privacy
eHealth+Wellness+SocialNetwork+…..
DM+Farmaci BigData
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
IA:sitraUadialgoritmi• LeDefinizionidialgoritmosonomolteplici,matuDetendonoalmedesimosignificatoopera2vo:• "unasequenzaordinataefinitadipassi(operazionioistruzioni)elementaricheconduceaunben
determinatorisultatoinuntempofinito".• LadefinizionericordalamacchinadiAlanTuring!!!• Piùsemplicemente“metodoperrisolvereunproblema”(R.Sedgewick)
• Ilterminealgoritmoderivadallatrascrizionela2nadelnomedelmatema2copersianoal-KhwarizmivissutonelIXsecolod.C.,Algorismusindicavainorigineilprocessopersvolgerecalcoliconinumeriindo-arabici(Somma).
• IAèspessosinonimodi«Decisione»(USA:DecisionSupportSystem);Sarebbepiùprecisodirechemediantel’IAsipossonoClassificareleinformazioniposteiningresso
• Dalpuntodivistadellaprogrammazionel’IAsidifferenziadaiprogrammi«tradizionali»:• •Ilcomportamentodell’esecuzionedellerighedicodicedipendedaida2iningresso(DATASET)• •L’informazioneestraDadall’elaborazionedeida2vieneacquisita,memorizzataerielaborata:ilcodiceè
ingradodi«imparare»daida2edallalorodinamica,possiamoanchedirechelareteneuralesiformasartorialmenteconida2iningresso
• Mol2nehannopaura,lapubblicitàesageraleopportunità• Unalgoritmopotràsos2tuirelarelazioneumanaMedico-Paziente?ParliamodiSUPPORTO!!!!!• StephenHawking:«LenostreIAdevonofarequelchevogliamochefacciano».Almenoperl’aDualestato
dell’arte.• L’AIèancoragiovane!!!!Vediamoneilimi2
5Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
Generalizzabilitàdiunarete• Unavoltachelareteèaddestrata(trained)questapuòessereu2lizzataovunque?Soloperquelclusterdi
pazien2?Ancheperaltrepatologie?• Almomentosifannostudiu2lizzandovarietecniche,mailrisultatodesiderabilenonèdietrol’angolo,cioè
allenarelareteinunambiente(unapatologia)echiederglididarerispostecoeren6inunaltroambientemoltovicino,nonèancoraassicurato.
• QualeConfidenzadipoteru2lizzareunarete(SWacquistato)suunsetdida2aDuali,differen2perlorocaraDeris2chedaquellidiaddestramento?
• FareRete:Nelcasodipiùsi2nazionali?Thekeyresultfromtheseanalysesisthatgeneralizabilitycannotadequatelybeassessedusingdataorigina6ngfromasinglesitealone,andthatamul6-centerdatasetisneededtoquan6fythebroadergeneralizabilityofamachinelearningclassifier."
• Diri[dalGDPR• Inoltreilprocessodilearningedidecisionenonsononévisibili(BlackBox),néesplorabili,néspiegabili,in
sostanzaunaretepuònonessereTrasparente.• QuestacaraUeris-caconfliggeconilGDPRcheaffermache«lepersonehannoildiriUodinonessere
soggeUeadecisionibasatesuesclusivamentesuprocessiautoma-zza-»diriUoaduna«spiegazioneesplicita»
6Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
E’unDisposi2voMedicosecondolDireFvaComunitaria93/42esuemodifiche(Soxware)
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
https://www.mathworks.com/videos/introduction-to-deep-learning-what-are-convolutional-neural-networks--1489512765771.html
ReLU: rectified linear unit LaretesicostruisceconilsuoDataset
DL:struDuradiuna2picaimplementazione(Convolu2onalNeuralNetwork)
Radiomica,Patomica,Genomicaetc…
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
AssicurazioneeControllodiQualitàdellefilierediproduzioneeimmagazzinamentodeldato(adesinDiagnos2ca):
• Processi• Seman2ca
• Qualitàdeldato
DefinizionedelleBioBanche
(FSE,EHR,BigData)
Radiomica/Patomica:Flowchart
• VFigure1:Flowchartshowstheprocessofradiomicsandtheuseofradiomicsindecisionsupport.Pa2entwork-uprequiresinforma2onfromdisparatesourcesto
• becombinedintoacoherentmodeltodescribewherethelesionis,whatitis,andwhatitisdoing.Radiomicsbeginswithacquisi2onofhigh-qualityimages.From
• theseimages,aregionofinterest(ROI)thatcontainseitherthewholetumororsubregions(ie,habitats)withinthetumorcanbeiden6fied.Thesearesegmentedwith
• operatoreditsandareeventuallyrenderedinthreedimensions(3D).Quan6ta6vefeaturesareextractedfromtheserenderedvolumestogenerateareport,whichis
• placedinadatabasealongwithotherdata,suchasclinicalandgenomicdata.Thesedataarethenminedtodevelopdiagnos2c,predic2ve,orprognos2cmodelsforoutcomesofinterest
Annotazione1
Annotazione2
CosaleggiamotuFigiorni
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
Bruxellescomunicalelineeguidanonvincolan-
Intelligenzaar-ficiale-(15Apr2019)
• LaComunicazionedallaCommissionealParlamentoEuropeoealconsiglio“BuildingTrustinHuman-CentricAr2ficialIntelligence”,pubblicatal’8aprile,hal’obieFvo«dilanciareunafasepilotachecoinvolgaglistakeholdersuvastascala,alfineditestarel’implementazionepra2cadellelineeguidaperlosviluppoel’usodell’AI».
• MaximisethebenefitsofAIsystemswhileatthesame6mepreven6ngandminimisingtheirrisks
• TheEthicsGuidelinesforTrustworthyAr6ficialIntelligence(AI)isadocumentpreparedbytheAIHLEG.
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
IAaffidabile
• Lelineeguidapostulanoche,alfinedioDenereuna“IAaffidabile”,sononecessarietrecomponen2:
• (1)deverispeDarelalegge,• (2)devesoddisfareiprincipie2cie• (3)dovrebbeessererobusta.• Sullabasediquestetrecomponen2,lelineeguida
«individuanoseUerequisi-chiave»cheleapplicazionidell’AIdevonorispeDare.Lelineeguidaincludonoancheunsetdivalutazioneperverificareseques2requisi2sonosoddisfaF.
• Lelineeguidadell’Hleg,nonsonovincolan6(Noobbligolegale).
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
PropostediLineeGuidainSanità
• Moltepropostediraccomandazioni(perlopiùdi2poE2co)sonostatefaDealivellointernazionale.
• LamaggiorpartesonoraccomandazionichetentanodisoDolinearequantodiposi2voriportalaricercaeilGDPR(GeneralDataProtec2onRegula2on):
SpiegabilitàdiunareteTrasparenza
EquitàRobustezza
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
AcademyofRoyalMedicalColleges(UK)
«Ar-ficialintelligenceinHealthCare»-Raccomandazioni(luglio2018)• Lasicurezzadelpazientedeverimanerediprimariaimportanzael'intelligenza
ar2ficialedeveesseresviluppatainmodoregolato,incollaborazionetraclinicieinforma2ci
• Ripensaremol2aspeFdellaformazioneedellacarrieradeimedici• Ida-dovrebberoessereresipiùfacilmenteaccessibiliatuFiseDoripriva2e
pubblici.Dovrebberoesserecer-fica-peraccuratezzaequalità.• Unaregolamentazionecongiunta(Clinicieinforma2ci)èlachiavepergaran2re
chel'IAsiaintrodoDainmodosicuro(accountability,responsabilitàeimplicazionigiuridichepiùampie)
• Lavalutazionecri-caesternaelatrasparenzadelleaziendetecnologicheènecessariaperimedici,perpotergaran2relasicurezzanell'usodeglistrumen2forni2aimedicistessi(licenzeesorveglianzapost-vendita)
• L'intelligenzaar2ficialedovrebbeessereusataperridurre,nonaumentare,ledisuguaglianzedisalute,dalpuntodivistageografico,economicoesociale(CondivisodalMinistrodellaSaluteG.Grillo)
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
Whattheradiologistshouldknowaboutar-ficialintelligence(2019)hDps://doi.org/10.1186/s13244-019-0738-2L'intelligenzaar2ficiale(IA)hagranderilevanzaperlaradiologia.UnarecentericercasuPubMeddeltermine"IntelligenzaAr2ficiale"hares2tuito82.066pubblicazioni;combinandolaricercaconlaparola"Radiologia",sonosta2trova25.405ar-coli.Lamaggiorpartediques2ar2colièstatapubblicatadal2005.L'EuropeanSocietyofRadiology(ESR)èconsapevoledell'impaDochel'IAstaavendonelcampodellaRadiologia,siaperleprospeFvetecnico-scien2fichecheperquellee2co-professionaliedeconomiche.Rifiutandol’ipotesidell'imminentees2nzionedellaradiologia.AldifuoridelletradizionaliaFvitàdiradiologiadell'interpretazionedelleimmagini,sis2machel'IAabbiaunimpaDosullaradiomica,sullebiobanchediimaging,suisistemidisupportoalledecisionicliniche,sulrepor2ngstruDuratoesulflussodilavoro:• inRadiomica,l’IApuòfavorirel'analisidellecaraDeris2cheeaiutarenellacorrelazioneconaltrida2omici.• lebiobanchediimagingpotrebberodiventareun'infrastruUuranecessariaperorganizzareecondividereida2diimmaginidaiquali
possonoessereforma2imodellidiIA.• l'AIpuòessereu2lizzatacomestrumentodioFmizzazioneperassistereiltecnologoeilradiologonellasceltadiprotocollipersonalizza-
sulsingolopaziente,monitorandoiparametrididosealpaziente,fornendounas2madeirischidaradiazioni.• l’IApuòancheaiutareilflussodilavorodirepor2ngeilcollegamentotraparole,immaginieda2quan2ta2vi.• l'IAaccoppiataconilClinicalDecisionSupportSystem(CDSS)puòmigliorareilprocessodecisionaleequindioFmizzareilflussodi
lavoroclinicoeradiologico.IlfaDorechiavedelleprestazioniIAèl’addestramentoconda2digrandedimensioneealtaqualitàperevitareilsovradaDamentoel'underfiFng.Letreleggidellarobo2capotrebberoessereapplicateallaradiologiaincuiil"robot"èil"soxwareIAdiimagingmedicale".Sel'intelligenzaar2ficialeèu2lizzatanellapra2caclinica,laprincipaleques2onemedicolegalechesiponeè"chièresponsabiledelladiagnosi".
Iradiologisarannosos-tui-dall'IA?!Larispostasempliceè:NO.
whitepaper-EuropeanSocietyofRadiology
15Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
La complessità delle architetture di DL, costituite da decine o anche centinaia di strati di “neuroni” (unità elementari di elaborazione), fa sì che le stesse si comportano come “scatole nere” BLACK BOX: in pratica è impossibile individuare il meccanismo esatto per cui il sistema fornisce certe risposte. Explainable AI (XAI): è importante poter individuare il percorso fatto da un sistema IA per arrivare a certe conclusioni ed essere sicuri che i “ragionamenti” eseguiti siano condivisibili. Questo è importante soprattutto nel campo del decision making clinico, in cui le conseguenze di un’errata valutazione dei dati sono potenzialmente letali. La IA “spiegabile” rappresenta quindi un paradigma necessario per l’introduzione di IA in molti ambiti critici, fra cui quello medico.
Criticità: explainability
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
Petsiuk et al, RISE: Randomized Input Sampling for Explanation of Black-box Models
Cri2cità:explainabilityesaliencymaps
Sonostatepropostesoluzionialproblemadellaopacitàdellere2DL.Per esempio, si possono generare “mappe di importanza” (saliency maps), che indicanoquanto ogni pixel determina la predizione del modello, senza alcuna conoscenzadell’architeDuradellarete.Lemappediimportanzasonocostruitesinte2zzandodelleopportunemaschere,chevengonopoiapplicateaida2diingressodellarete,pervalutareinfinel’outputcorrispondente.
Pixelsucuisibasaladecisione
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
AdversarialExamples(AE)–Cri2cità
Imperce[bileperturbazioneperl’occhioumano,stravolgelapredizione«AE’shavebecomeanindisputablethreattothesecurityofmodernAIsystemsbasedonDNN»arXiv:1807.01069La«piccola»perturbazionepuòproveniredaun’azioneintenzionale(minaccia)maanchedaunmalfunzionamentodellastrumentazione,potenzialmentenonrilevabileconiprotocollidicontrollodiqualitàaDualmenteapplica2.
From:XinLi,FluinLi,IEEEInterna2onalConferenceonComputerVision,2017
18Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
AE–nuoveopportunità
19
ClassificazionedilesionedellapelleFromM.Paschalietal,arXiv:1804.00504
GliAEsonou2lizza2comebenchmarkpertes6ngdellarobustezzaegeneralizzabilitàditoolML,rimpiazzandoinfuturolanecessitàdiampi(ecostosi)data-set
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
La curva blu mostra l'andamento dell'errore nel classificare i dati di training, all’aumentare della quantità di questi ultimi, mentre la curva rossa mostra l'errore nel classificare i dati di test o validazione. Una situazione in cui il secondo aumenta mentre il primo diminuisce è indice della possibile presenza di un caso di overfitting.
Criticità: overfitting
errore di training
errore di testing
Insta2s2caeininforma2ca,siparladioverfi`ng(initaliano:adaDamentoeccessivo,sovradaDamento) quando un modello sta2s2co molto complesso si adaDa ai da2osserva2 (il campione) perché ha un numero eccessivo di parametri rispeDo alnumerodiosservazioni.
Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
IAedequitànelSSN• Ladiffusionedeglistrumen2diIApotrebbe(paradossalmente)aumentare
lediscrepanzefraregioniprivilegiandoquellevirtuosecheposseggono– Archiviinforma2ciefficien2,benstruDura2,ericchidiinformazioni– Adeguaterisorsedielaborazione(anchetramiteservizidaterzi)
• Equità ed universalità del supporto tecnologico in ambito diagnos2co-terapeu2coèunarichiestadelSSN
• (Non appare acceDabile la frammentazione locale delle soluzioni di AInellefasiopera2ve;differenteilcasodellaricerca)
• Si rendenecessariodefinire,unpianodi sviluppodi IA chepermeDa lafruizione delle conoscenze/risorse a tuF i contes2 nazionali, a par2redalleesperienzemigliori,conunaggiornamentodinamicoprogressivo.
21Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
Contributodell’ISSAssicurazionediQualitàdeida-edeiprocessiinradiologia• L'imaging biomedico con2nua ad essere un pilastro del traDamento clinico,
sopraDuDoincampooncologico.QuestoimportantesviluppoimpaUafortementesulla compliance a programmi di garanzia di qualità in termini dipersonalizzazione dei traDamen2, riduzione del numero di esposizioni (ogniimmagine può essere sfruData al massimo del suo contenuto informa2voriducendo la necessità di immagini ripetute), riduzione del numero di aFvità dirou2ne e conseguente riduzione del carico di lavoro. L’ISS produce linee diindirizzo in questo seDore da oltre 20 anni, grazie all’aFvità di Assicurazione diQualitànellescienzeradiologiche.
• Promozionedidiba[-eworkshopcondivisiconilMinisterodellaSalute(inpar2colareperleinfrastruDureelelineeguidaperiPDTAconAI[Agenas])
• Hubpergruppidilavoro/coordinamentoepromuoveformazioneresidenziale• Partecipareaglisforzidellaricercanazionale
22Ing.M.Grigioni-CentroNazionaleTecnologieInnova6veperlaSalutePubblica-UniversitàPon6ficiaSalesiana,17maggio2019
Graziedell’aDenzione
Ing.M.GrigioniCentroNazionaleTecnologieInnova2veperlaSalutePubblica–ISSRoma