Epidemie, povertà, cancro: quando la scienza guarda al bene sociale

di Alessandro Ferrari



I co-director di IBM For Social Good: Aleksandra Mojsilovic e Kush R. Varshney di IBM Research

Il suo compito è affrontare le grandi sfide sociali e umanitarie facendo leva sulla tecnologia e il metodo scientifico, creando quindi un ponte tra l’attività di 7 dei 12 centri di ricerca dell’azienda e un insieme eterogeneo di organizzazioni. Stiamo parlando dell’iniziativa IBM Science for Social Good avviata nel 2016 e giunta quindi alla sua quarta edizione.

Uno sguardo ai numeri testimonia che la strada imboccata è quella giusta: 28 sono i progetti in corso - dalla rilevazione di nuove malattie epidemiche alla creazione di peptidi antimicrobici, dalla modellazione del linguaggio dell'odio allo sviluppo di consulenti cognitivi che guidano le persone fuori dalla povertà - e 19 i soggetti finora coinvolti tra università, organizzazioni non governative e agenzie del settore pubblico. Non solo. Nel novero dei risultati emergono 9 brevetti in corso di registrazione, 47 documenti di ricerca pubblicati, 36 borse di studio.

E il lavoro continua. Per il 2019, IBM Science for Social Good ha annunciato cinque nuovi progetti che meritano d’essere messi in luce.

Il primo guarda al fenomeno dell’abuso di oppiacei che negli Stati Uniti ha assunto i connotati di vera e propria epidemia, come riportano anche le cronache di questi giorni. Per contrastarlo è fondamentale comprendere i modelli di dipendenza, l'apprendimento di linee guida basate sull'evidenza per ottenere una prescrizione responsabile da parte dei medici e la creazione di sistemi di allerta precoce. Il team di lavoro abbinerà l'apprendimento automatico avanzato e metodi di inferenza causale con la ricchezza dei dati forniti da IBM Watson Health, sviluppando raccomandazioni e linee guida da mettere a disposizione di tutte le parti in gioco.

Il secondo progetto rivolge attenzione alla modellizzazione dei servizi sociali, con particolare riferimento a quanti si trovano in situazioni di difficoltà. Qui la risposta sta nell’individuazione di schemi di percorso causali che partendo dall’impiego di dataset longitudinali - cioè da informazioni su fattori specifici come la presenza di un impiego, l’istruzione e la disponibilità o meno di alloggio raccolte in diversi momenti – individuano le potenziali probabilità e i tempi di transizione da una situazione all’altra. A beneficiarne è l’attività di pianificazione e di consulenza.

Tornando al settore sanitario, è l’ambito oncologico a ottenere le maggiori attenzioni. Una grande quantità di dati oggi suggerisce che centinaia di farmaci non brevettati, ben noti per il trattamento di altre patologie, potrebbero essere utili anche per combattere i tumori.

Per valutarne l’efficacia, impiegando tecniche di elaborazione del linguaggio naturale, il team analizzerà l’ampia letteratura scientifica alla ricerca di studi preclinici e clinici precoci compiuti su questi farmaci testati, in passato, proprio come trattamenti antitumorali. Non solo: un passo in avanti sarà quello dello sviluppo di modelli con cui acquisire automaticamente informazioni chiave da ogni articolo come la tipologia di cancro affrontato, il tipo di studio condotto e la natura delle prove riportate. L'obiettivo, in ultima analisi, è identificare i candidati più promettenti per la riconversione farmacologica di medicine da testare in studi clinici randomizzati e controllati su larga scala.

La quarta, promettente iniziativa riguarda la correttezza delle diagnosi di cancro della pelle basate sull'intelligenza artificiale. Com’è noto, gli individui con una carnagione più chiara hanno il più alto rischio di sviluppare la patologia ma, negli Stati Uniti, il tasso di mortalità degli afroamericani risulta molto più alto soprattutto a causa di un’errata valutazione della causa. Nel 2017, in una sfida internazionale di rilevazione del melanoma, il machine-learning ha raggiunto prestazioni eccellenti ed è quindi importante che le disparità del passato non si propaghino più in modelli di apprendimento. Il team svilupperà nuove metodologie per rendere rilevanti i modelli di diagnosi che ricorrono all’AI. Per l’intera popolazione, in ogni luogo.

L’affidabilità degli stessi sistemi di intelligenza artificiale, infine. Sull’elevata accuratezza dei modelli di machine learning non ci sono dubbi. Ma, da sola, questa peculiarità non costituisce un criterio sufficiente per ottenere la fiducia di chi li utilizza, specie se di mezzo c’è un processo decisionale con un’alta posta in gioco. Ne occorrono altri quattro: spiegabilità, equità, robustezza in relazione ai “dataset shift” e solidità nei confronti degli “adversarial examples” (gli attacchi sofisticati che ingannano i modelli di machine learning). Lo scopo del lavoro, qui, è sviluppare set di dati di benchmarking, modelli di riferimento e una competizione tra i ricercatori che valutano i loro modelli su tutti e cinque i criteri. Il progetto può utilizzare strumenti open-source come Adversarial Robustness Toolbox e AI Fairness 360 toolkit.

Il blogpost IBM Science for Social Good 2019 Projects Announced

2 settembre 2019

Alessandro Ferrari, External Relations and Executive Communications lead
@alefederferrari

Visit us on LinkedIn