Il mondo dell’IA è in costante e rapidissima evoluzione. Questa pagina raccoglie le più significative novità relative a questa tecnologia rivoluzionaria, con attenzione particolare alle applicazioni in campo medico-sanitario, e brevi articoli sui momenti, i protagonisti e le tecnologie più rilevanti per comprendere l’Intelligenza Artificiale.
Introduzione al Prompt Engineering: indicazioni pratiche per usare ChatGPT e gli altri LLM
I Large Language Models (LLMs) come OpenAI ChatGPT, Anthropic Claude, Google Gemini o DeepSeek sono strumenti estremamente potenti, che possono aiutare i professionisti a velocizzare numerose attività. Per sfruttarli al meglio - ovvero per ottenere risposte rilevanti, corrette ed efficaci - è necessario gestire correttamente l'interazione con questi sofisticati modelli IA, ovvero formulare opportunamente le richiesta che sono sottoposte al modello. Il Prompt Engineering - traducibile in italiano come "progettazione delle richieste" - è la disciplina che si occupa di questo problema.
Quanto segue è una lista di indicazioni pratiche per il Prompt Engineering, ovvero per migliorare gli esiti delle interazioni con gli LLM.
01. Descrivere quello che si desidera in modo molto chiaro e specifico.
Gli LLM non possono leggere la nostra mente (almeno per ora!). Se si desidera una risposta breve, indicarlo nella richiesta. Se si desidera una risposta con un elevato livello di dettaglio e linguaggio tecnico, scriverlo esplicitamente. Il modello IA fornirà risultati più rilevanti se riceve richieste dettagliate.
In pratica:
Esempi:
02. Fornire al LLM tutto il materiale di riferimento (documenti, dati) utile per generare la risposta desiderata.
Gli LLM utilizzano tutti i dati forniti in input dall’utente per generare le proprie risposte, incluso eventuale materiale di riferimento. Integrare la richiesta con tale materiale è - ovviamente - necessario se si richiedono azioni quali riassumere o analizzare un testo, ma è - più in generale - utile per mitigare il problema delle allucinazioni.
In pratica:
Esempi:
03. Suddividere richieste complesse in una serie di richieste più semplici.
Per ridurre la probabilità di errore, può essere conveniente scomporre un’azione molto articolata in una serie di azioni più semplici, utilizzando l’output di uno step come input del successivo.
In pratica:
Esempi:
04. Controllare le risposte e chiedere miglioramenti
Le risposte generate dagli LLM possono essere errate, parziali, non rilevanti. Per ottenere i risultati migliori è necessario identificare i limiti della risposta ricevuta e chiedere al modello i miglioramenti necessari, in un processo iterativo.
In pratica:
Esempi:
05. Chiedere al LLM di ‘riflettere prima di rispondere’.
Gli LLM più recenti e sofisticati - quali OpenAI o1 o Google Gemini 2.5 - generano le proprie risposte analizzando la richiesta formulata dall’utente, scomponendola in passaggi logici e svolgendo questi stessi in sequenza (approccio chiamato “chain-of-thought”). È possibile migliorare i risultati dei modelli IA chiedendo esplicitamente di procedere in questo modo.
In pratica:
Esempi:
06. Utilizzare strumenti aggiuntivi per compiti specifici
Gli LLM sono strumenti estremamente potenti e flessibili, ma per alcuni compiti specifici è possibile integrarli con funzionalità aggiuntive.
In pratica:
Questa introduzione al Prompt Engineering è stata realizzata anche sulla base dei contenuti delle seguenti guide presenti sul web:
AIME 2025 - 23° conferenza internazionale sull'IA in Medicina (Pavia, 23-26 Giugno 2025)
La 23° edizione della International Conference on Artificial Intelligence in Medicine (AIME 2025) si svolgerà a Pavia, dal 23 al 26 Giugno 2025. L'evento - organizzato dall'Università di Pavia - coinvolgerà esperti e ricercatori provenienti da tutto il mondo per presentare risultati in campo teorico, metodologico e applicativo dell'Intelligenza Artificiale in Medicina.
La pagina dell'evento è raggiungibili al seguente link:
Apri il ink
Modelli IA e Allucinazione in campo medico
Un ampio gruppo di esperti in campo biomedico e tecnologico ha pubblicato - per il momento in pre-print su arXiv ( Apri link) - i risultati di una dettagliata ricerca sul problema delle Allucinazioni nelle risposte generate da parte dei più sofisticati Large Language Models (LLMs) a quesiti di natura medica.
Nella prima parte dell'articolo, gli autori mostrano come tutti i modelli presi in esame (OpenAI ChatGPT 4o e o1, Google Gemini 1.5 e 2.0, Anthropic Claude 3.5) siano affetti - anche se in misura differente - dal problema delle Allucinazioni quando rispondono a quesiti di varia natura in campo medico-sanitario (e.g. analisi di una immagine radiografica, estrazione di dati da una cartella clinica, supporto alla diagnosi). Gli autori procedono quindi a definire una tassonomia di questo tipo di Allucinazioni, suddividendole nei seguenti 5 gruppi principali: errori fattuali, riferimenti obsoleti, sequenze di ragionamento incomplete, linee guida o riferimenti inventati, correlazioni spurie. Per ogni tipologia è presentata una definizione e un esempio.
Gli autori spostano quindi l'attenzione sulle cause delle Allucinazioni. Queste sono divise in tre gruppi principali:
Sulla base di queste osservazioni, gli autori analizzano possibili strategie di mitigazione del rischio finalizzate a ridurre la frequenza e la gravità delle Allucinazioni. Le misure proposte ricadono nelle seguenti macro-categorie:
Il paper riporta i risultati ottenuti attraverso l'applicazione di varie strategie di mitigazione delle Allucinazioni ad alcuni LLMs generalisti (e.g. ChatGPT, Gemini) e LLM dedicati alla medicina (e.g. PMC-LLaMA). I risultati più interessanti sono probabilmente i seguenti: (1) i modelli generalisti risultano essere i più resistenti alle Allucinazioni, probabilmente per via della loro maggiore sofisticazione generale, (2) semplici strategie di 'prompt engineering' come richiedere esplicitamente e ripetutamente al modello di pensare "step-by-step" - un approccio chiamato Chain of Thoughts (CoT) - possono migliorare significativamente i risultati ottenuti.
Gli autori proseguono illustrando i risultati di un limitato sondaggio sull'utilizzo professionale dei LLMs che ha coinvolto 75 professionisti sanitari (ricercatori, clinici, bioinformatici, etc.) distribuiti prevalentemente tra Asia e Americhe. Tra i risultati ottenuti:
Gli autori concludono sottolineando l'importanza di sviluppare nuove linee guida e regole relative all'uso degli LLMs (e più in generale dell'IA generativa) in campo medico-sanitario, per via delle peculiari potenzialità e rischi associati all'uso di questi sistemi rispetto ai dispositivi e software tradizionali.
Il lungo e interessante articolo è reperibile a questo link:
Apri il ink
Glass Health and OpenEvidence: due soluzioni di IA Generativa dedicate al professionista sanitario
Glass Health è una piattaforma di supporto decisionale clinico basata sull’Intelligenza Artificiale, progettata per assistere i medici nella formulazione di diagnosi differenziali e nella stesura di piani clinici. A differenza dei sistemi di IA generativa generalisti, come ChatGPT (OpenAI), Claude (Anthropic) e Gemini (Google), Glass Health è concepita per interagire esclusivamente con il professionista sanitario e non direttamente con il paziente, fornendo risposte che devono essere valutate e verificate dal clinico.
Per raggiungere questi obiettivi, Glass Health utilizza diverse tecnologie e approcci:
Attualmente, non esistono studi clinici che valutino l’impatto di Glass Health sull’accuratezza diagnostica, sugli esiti clinici o su altri parametri rilevanti. Tuttavia, il concetto alla base di Glass Health e di soluzioni simili – ovvero mettere a disposizione dei professionisti sanitari strumenti che sfruttano le potenzialità dei Large Language Model (LLM) mitigandone i limiti e mantenendo il controllo decisionale in mano al clinico – appare estremamente promettente.
OpenEvidence è una piattaforma basata sull’Intelligenza Artificiale, progettata per facilitare l’accesso a informazioni mediche basate sull’evidenza. Può essere descritta come un motore di ricerca specializzato per la letteratura medico-scientifica, che, grazie all'IA, consente agli utenti di interagire in modo discorsivo.
La piattaforma utilizza diverse tecniche e tecnologie per raggiungere questi obiettivi:
Anche nel caso di OpenEvidence, ad oggi non sono disponibili studi clinici che ne valutino l’impatto. Tuttavia, strumenti basati sull’IA generativa come OpenEvidence promettono di rendere più efficiente ed efficace la consultazione della letteratura scientifica – in continua e sempre più rapida crescita – da parte dei professionisti sanitari.
È possibile testare entrambe le piattaforme, al momento esclusivamente in lingua inglese, ai rispettivi indirizzi:
Glass Health
OpenEvidence
Intelligenza Artificiale nei percorsi clinici: riflessioni sui modelli di integrazione
Un interessante e provocatorio articolo pubblicato recentemente sul New York Times (disponibile qui ) si interroga sulla corretta modalità di integrazione dell'Intelligenza Artificiale nei percorsi clinici. Si ottengono risultati migliori quando i modelli di Intelligenza Artificiale affiancano gli operatori sanitari fornendo supporto nello svolgimento delle loro attività o quando i modelli di IA compiono autonomamente certe attività, quelle in cui eccellono, lasciando più tempo agli operatori sanitari per concentrarsi sugli aspetti in cui è fondamentale l'elemento umano? Due studi (disponibili qui e qui ) citati dall'articolo suggeriscono - anche se in via assolutamente preliminare - che l'affiancamento IA - personale medico non porta a miglioramenti significativi dei risultati. Le ragioni sono principalmente due: mancanza di fiducia nell'IA e limitate competenze nell'usarla.
Sulla base di questi risultati, gli autori dell'articolo descrivono pertanto tre possibili approcci basato su una più netta divisione delle responsabilità. Nel primo modello, i medici interagiscono con i pazienti per raccogliere informazioni attraverso domande ed esami fisici. I dati così raccolti sono analizzati da modelli IA per suggerire ipotesi di diagnosi e trattamento. Nel secondo modello, l'IA - sulla base dei dati disponibili - suggerisce possibili diagnosi e trattamenti. Il medico applica il proprio giudizio clinico per definire il trattamento effettivo da eseguire, sulla base delle caratteristiche del singolo paziente, nonchè di altri vincoli quali disponibilità di risorse e copertura assicurativa. Il terzo modello è ancora più radicale, l'IA si occupa dei casi routinari e a basso rischio, mentre i medici gestisco le situazioni più complesse.
Tra i vari studi citati nel presentare questi modelli, il più significativo è quello relativo a una enorme sperimentazione svolta in Svezia sull'integrazione dell'IA nell'analisi della mammografie, che ha coinvolto più di 80.000 pazienti (disponibile qui ). Il 50% delle mammografie sono state analizzate da due radiologi come di consueto, il restante 50% è stato analizzato in prima battuta da un modello IA e poi, a seconda del livello di rischio, da uno o due radiologi umani. L'approccio che comprende il modello IA ha portato all'identificazione del 20% di lesioni in più, riducendo del 50% il carico di lavoro dei radiologi.
Identificare il miglior approccio per l'introduzione dell'IA nei percorsi clinici richiede lo svolgimento di studi clinici sistematici, ma i benefici in termini di risultati clinici e ottimizzazione delle risorse dei sistemi sanitari appaiono sempre più difficili da ignorare.
L'articolo del New York Time è disponibile a questo link:
Apri link.
Non solo ChatGPT… una lista di Applicazioni IA per sperimentare
La pubblicazione di ChatGPT nel Novembre 2022 da parte della startup americana OpenAI ha dato il via al periodo di enormi investimenti, incessanti innovazioni e costante attenzione mediatica che l'Intelligenza Artificiale sta attraversando.
Negli ultimi 2 anni, il numero di strumenti basati sull'Intelligenza Artificiali facilmente accessibili e potenzialmente utili nel contesto delle attività professionali e della vita personale è cresciuto enormemente. Quanto segue è una lista di Applicazioni IA liberamente derivata da quella pubblicata a Dicembre 2024 da Andreessen Horowitz (a16z), una delle più grandi aziende di Venture Capital del mondo.
Anche se non tutte le soluzioni riportate sono di utilità universale, esse danno una chiara idea dell'enorme impatto che l'Intelligenza Artificiale potrà avere a livello professionale, personale e sociale nel corso dei prossimi anni.
Assistenti generali
Generazione di contenuti
Strumenti utili
L'impatto dei Large Language Models (LLMs) sulle capacità diagnostiche
Un piccolo studio clinico per verificare se l’utilizzo di un Large Language Models (LLM), il tipo di sistema di Intelligenza Artificiale alla base di OpenAI ChatGPT e servizi analoghi, può migliorare le capacità diagnostiche dei medici rispetto all'uso di strumenti di supporto tradizionali, come i database online, è stato pubblicato su JAMA Network.
I risultati dello studio sono fondamentalmente due: (1) L’uso di un LLM non migliora i risultati dei medici rispetto all’uso di risorse tradizionali, (2) il sistema LLM - da solo - ha risultati significativamente migliori rispetto ai medici.
Per interpretare questi risultati è necessario analizzare la struttura, e i limiti, dello studio: (a) sono stati coinvolti soltanto 50 professionisti, (b) i professionisti che hanno utilizzato il LLM non hanno ricevuto formazione specifica, (c) le performance diagnostiche sono state misurate in uno scenario decontestualizzato, ovvero i medici hanno dovuto risolvere - in forma scritta - casi clinici predefiniti, senza interagire con pazienti reali.
Sulla base di queste considerazioni, la principale conclusione che si può trarre è che per sfruttare il potenziale di questo tipo di sistemi di supporto alle decisioni basati su IA è necessaria una formazione specifica dei professionisti. Le risposte fornite dai Large Language Models sono - infatti - profondamente dipendenti dal modo in cui l'utente formula la singola domanda, tecnicamente "il prompt", e dalla sequenza di domande che costituiscono la conversazione.
L'articolo con i risultati dello studio clinico è reperibili a questo link:
Apri link.
OpenAI Whisper: rischi e opportunità dell'IA in Medicina
I Large Language Models (LLM) - ovvero la rivoluzionaria classe di modelli di Intelligenza Artificiale progettati per la manipolazione del linguaggio naturale cui appartengono OpenAI ChatGPT e Google Gemini - sono notoriamente proni al fenomeno delle Allucinazioni (in inglese, Hallucinations). Questo termine è utilizzato per descrivere la tendenza - riscontrata in tutti gli LLM fino ad ora sviluppati - a generare risposte che contengono informazioni non corrette, inventate dal modello e presentate con la stessa forma e tono delle altre informazioni. Le Allucinazioni si manifestano in modo fondamentalmente imprevedibile. I modelli più recenti e sofisticati generano Allucinazioni con frequenza sostanzialmente limitata, ma il problema non è stato risolto. Le Allucinazioni rappresentano un limite enorme di questi modelli, soprattutto in campi di applicazioni in cui l'affidabilità e la completezza delle informazioni sono un elemento critico.
Un recente articolo dell'Associated Press presenta questo problema in tutta la sua rilevanza e attualità. OpenAI Whisper e altri LLM progettati per trascrivere le registrazioni audio in modo automatico (in inglese, text-to-speech) sono sempre più diffusi nelle strutture sanitarie americane, dove sono utilizzati per generare le trascrizioni di quanto detto da medici e pazienti durante le visite. Il risparmio di tempo offerto da questi strumenti può essere significativo, essi liberano il tempo degli operatori sanitari dagli obblighi di documentazione. Purtroppo, però, anche questi strumenti sono soggetti al fenomeno delle Allucinazioni. E' molto difficile studiare sistematicamente il problema, anche per gli aspetti relativi alla privacy, ma vari esperti riportano percentuali di errori significative nelle prove sistematiche da loro effettuate.
OpenAI e le altre aziende che stanno sviluppando questi applicativi riconoscono il problema e dichiarano di stare lavorando a versioni sempre più potenti e affidabili dei modelli. Rimane il fatto che in un campo delicato come la Medicina, l'introduzione di questi strumenti deve essere portata avanti con estrema cautela - nonostante gli evidenti benefici economici - viste le potenziali conseguenze per la salute dei pazienti.
L'articolo dell'Associated Press è consultabile qui:
Apri link.
AI Hackathon: l'Intelligenza Artificiale al servizio dell'Oncologia
Il 3 Dicembre 2024 si svolgerà a Milano, presso la sede di Microsoft Italia, l'evento AI Hackathon: l'Intelligenza Artificiale al servizio dell'Oncologia , organizzato dall' IRCSS Humanitas (Rozzano), in collaborazione con Microsoft e Università di Bologna.
L'evento ha l'obiettivo di favorire lo scambio di conoscenze tra esperti di discipline differenti - sono coinvolti clinici, ingegneri, data scientist e imprenditori - al fine di generare nuove idee e opportunità di collaborazione nell'ambito della ricerca sul cancro.
Il programma dettagliato dei lavori, l'elenco degli speaker e la form per l'iscrizione gratuita sono disponibili sul sito dedicato all'evento:
Apri link.
AlphaProteo: Google Deepmind progetta nuove proteine con l'IA
Google DeepMind, il laboratorio di ricerca sull'Intelligenza Artificiale del colosso delle ricerche online, ha pubblicato i primi risultati ottenuti con AlphaProteo, un sistema IA sviluppato per progettare nuove proteine capaci di legarsi a specifici target molecolari.
A partire dalla struttura della proteina target e dall'indicazione dei siti di legame preferiti, AlphaProteo è in grado di progettare nuove proteine che si legano a tali siti. Il sistema è stato testato con successo su 7 proteine target di particolare rilievo, tra cui 5 proteine coinvolte nei tumori e nelle malattie autoimmuni: IL-7Rɑ, PD-L1, TrkA, IL-17A e VEGF-A. Le proteine generate in-silico da AlphaProteo hanno dimostrato di legarsi con forza ai rispettivi target nei successivi test di laboratorio.
Tuttavia, AlphaProteo non è riuscito a generare una proteina in grado di legarsi a TNFɑ, una proteina associata a patologie autoimmuni, dimostrando di avere ancora limiti nella propria applicabilità.
AlphaProteo è stato addestrato utilizzando i dati della Protein Data Bank (PDB) (link ) e la struttura tridimensionale di 100 milioni di proteine prevista da AlphaFold (link ), il sistema IA sviluppato in precedenza da Google Deepmind per risolvere il problema del ripiegamento proteico.
Maggiori informazioni su AlphaProteo:
Apri link
L'articolo che descrive nel dettaglio in sistema IA si trova su Arxiv:
Apri link.
Test e approvazione dell'IA in Medicina: un problema aperto
L'Intelligenza Artificiale ha la potenzialità di rivoluzionare la medicina e i sistemi sanitari. La sua applicazione nella pratica clinica è al momento limitata, anche per la complessità legata ai test e all'approvazione di questi strumenti. Un articolo pubblicato recentemente su Nature (Link ) identifica vari problemi aperti e suggerisce possibili soluzioni.
Il principale tra questi è il fatto che la FDA (Federal Drug Administration - l'agenzia regolatoria americana) consideri molti strumenti basati sull'IA come semplici 'medical devices' e conseguentemente non richieda - per la loro approvazione - lo svolgimento di sperimentazioni cliniche analoghe a quelle richieste per i farmaci. La mancanza di dati scientifici di supporto rende particolarmente complessa la decisione sull'introduzione di questi strumenti da parte dei sistemi sanitari (peraltro caratterizzati da modelli economici che differiscono enormemente tra paese e paese) e dei singoli professionisti.
La soluzione identificata è l'introduzione di criteri più rigorosi per la valutazione e l'approvazione dei sistemi IA, appunto basati sui dati provenienti da opportune sperimentazioni cliniche. Ma come si evince dall'articolo, le sperimentazioni cliniche che riguardano l'IA devono essere definite con particolari attenzioni. L'esito dell'applicazione di strumenti IA dipende infatti da fattori specifici quali: (1) formazione degli operatori sanitari sull'uso degli strumenti IA (e.g. che procedura seguire quando un sistema IA 'prevede' un possibile scompenso cardiaco durante un intervento chirurgico), (2) formazione degli operatori sanitari sulla gestione del rapporto con il paziente (e.g. come comunicare una diagnosi supportata da strumenti IA), (3) sperimentazione dei sistemi IA su popolazioni analoghe a quelle target (i.e. per garantire la generalizzabilità dei risultati, ovvero identificare eventuali bias nei dati utilizzati per lo sviluppo).
A questo proposito è interessante osservare come già nel 2020 siano state proposte specifiche linee guida per la definizione dei protocolli per i 'clinical trials' relativi a strumenti IA (Link ) mirati a risolvere la maggior parte di questi problemi. Analogamente, sono state proposte specifiche linee guida per la rendicontazione dei 'clinical trials' relativi a strumenti IA (Link ).
IA e Cancro alla Prostata: lo studio ARTICULATE PRO dell'Università di Oxford
Lo studio ARTICULATE PRO, guidato dall'Università di Oxford e finanziato dal National Health Service (NHS), ha comunicato che l'integrazione dell'IA nel percorso diagnostico del cancro alla prostata è stata estesa a tre distinte strutture sanitarie. Le strutture coinvolte utilizzeranno un sistema IA di supporto alla diagnostica nei loro percorsi clinici standard.
La soluzione IA utilizzata nello studio - Paige Prostate Suite - è un sistema diagnostico composto da tre applicazioni progettate per aiutare i patologi a rilevare, classificare e misurare i tumori nei campioni di tessuto prostatico. I patologi valuteranno come questo sistema influisca sulle loro decisioni cliniche, sulla fornitura dei servizi di patologia e sull'uso delle risorse in un contesto reale.
L'obiettivo principale dello studio ARTICULATE PRO è una "valutazione del servizio clinico" attraverso l'analisi di tre aspetti principali: performance della tecnologia nella pratica clinica, miglioramento nell'accuratezza e nell'efficienza diagnostica, valutazione dell'esperienza dei clinici al fine di favorire l'adozione professionale di questo tipo di strumenti digitali.
Il coinvolgimento di tre strutture sanitarie differenti, caratterizzate da strumentazione, sistemi informativi e utenze differenti, permetterà uno studio sistematico dell'impatto di questo tipo di tecnologie.
Da segnalare, infine, i tre principi guida alla base di questo studio sull'applicazione alla pratica clinica di strumenti di IA commerciali:
IA in digital pathology e diagnosi dei tumori cutanei: review della letteratura su Nature Digital Medicine
Sono stati recentemente pubblicate su Nature Digital Medicine due review sistematiche relative all'applicazione dell'Intelligenza Artificiale nei campi della digital pathology (Link ) e della diagnosi dei tumori cutanei (Link ).
Relativamente alla digital pathology, gli autori affermano che gli studi analizzati nella review riportano una grande accuratezza diagnostica dei sistemi di Intelligenza Artificiale, ma sottolineano come quasi tutti gli studi siano caratterizzati da limiti metodologici o di applicabilità generale. L'articolo comprende una serie di indicazioni su come organizzare futuri studi al fine di generare le evidenze necessarie a rendere l'IA uno strumento di reale supporto alla patologia.
Nel secondo articolo, relativo all'utilizzo di sistemi IA per la diagnosi dei tumori cutanei, gli autori affermano che gli studi analizzati riportano un accuratezza diagnostica dell'IA superiore a quella di un medico generalista o di un dermatologo neofita, ma sostanzialmente comparabile a quella di un dermatologo esperto. Gli autori sottolineano come la quasi totalità degli studi siano però svolti in un setting sperimentale, rendendo necessari ulteriori studi in real-world setting per confermare l'efficacia di questi strumenti.
I sistemi di Intelligenza Artificiale possono migliorare la collaborazione tra medici ed infermieri
Le potenziali applicazioni dell'Intelligenza Artificiale in campo medico-sanitario sono numerosissimi: dalla ricerca di nuovi farmaci al supporto alla diagnosi per immagini, dalla personalizzazione delle terapie alla gestione efficiente della cartella clinica digitale. Un recente studio di Stanford ha esaminato l'impatto di un sistema IA sulla identificazione precoce del deterioramento dei pazienti ricoverati al fine di ridurre il rischio di peggioramento significativo delle condizioni cliniche e relative conseguenze (quali il passaggio in terapia intensiva).
Il sistema IA utilizzato nello studio monitora quasi in tempo reale (ogni 15 minuti) una serie di parametri vitali del paziente, integrati dalla storia clinica, esami recenti e altre informazioni rilevanti. Se il sistema individua una significativa probabilità di peggioramento, invia un allarme a medici e infermieri. Lo studio, che ha coinvolto quasi 10000 pazienti nell'arco di 2 anni, ha rilevato una riduzione del 10.4% del rischio composito di attivazione di un risposta di emergenza, trasferimento in terapia intensiva o arresto cardiorespiratorio durante l'ospedalizzazione.
Secondo uno dei responsabili dello studio, il risultato più interessante della sperimentazione consta nella capacità del sistema IA di stimolare - nel momento corretto - la discussione tra medici e infermieri sullo stato dei pazienti ricoverati. Gli alti carichi di lavoro e le condizioni organizzative spesso limitano questo tipo di confronto professionale e sistemi di questo genere possono indirizzare le limitate risorse sui pazienti più a rischio.
Il limite più grave del sistema sperimentato sono i falsi positivi, che possono portare a un riduzione della credibilità del sistema di allerta da parte del personale sanitario.
Alphafold 3, nuovo sistema IA di Google, è in grado di predire con accuratezza la struttura e i legami tra proteine
Google Deepmind - il laboratorio di ricerca sull'Intelligenza Artificiale di Google - e la startup Isomorphic Labs hanno reso disponibile Alphafold 3, un nuovo sistema IA in grado di predire con un livello estremamente elevato di accuratezza non solo la struttura tridimensionale delle singole molecole proteiche ma anche le loro interazioni.
Alphafold 3 rappresenta un significativo passo in avanti rispetto ad Alphafold 2, il precedente sistema IA sviluppato da Google Deepmind che ha permesso di determinare la struttura tridimensionale di tutte le proteine note. La collaborazione tra Google Deepmind ed EMBL-EBI (l'Istituto Europeo di Bioinformatica, parte del Laboratorio Europeo di Biologia Molecolare) ha poi portato alla pubblicazione - nel 2021 - del AlphaFold Protein Structure Database , il database contenente la struttura di 200 milioni di proteine liberamente consultabile attraverso una comoda interfaccia web.
La capacità di predire con grande accuratezza le modalità di interazione tra molecole proteiche (incluso DNA, RNA, e ligandi) rende Alphafold 3 uno strumento di supporto alla ricerca medico-scientifica estremamente potente, particolarmente per quanto concerne lo sviluppo di nuovi farmaci. Alphafold 3 può essere utilizzato - con qualche limitazione - dai ricercatori di tutto il mondo attraverso il sito web AlphaFold Server . Isomorphic Labs sta, invece, collaborando con diverse aziende farmaceutiche per applicare questa nuova tecnologia in differenti ambiti di ricerca.
Il paper pubblicato su Nature relativo al funzionamento e alle performance di Alphafold 3
Apri link
Il paper pubblicato su Nature relativo al funzionamento e alle performance del precedente Alphafold 2
Apri link
Stanford ha pubblicato l'IA Index 2024
Il laboratorio HAI (Human-Centered Artificial Intelligence) dell'Università di Stanford ha recentemente pubblicato l'edizione 2024 dell'AI Index, il report annuale che cerca di raccogliere, distillare e presentare i dati più importanti per comprendere l'evoluzione dell'Intelligenza Artificiale.
Il report è strutturato nei seguenti capitoli, ciascuno dedicato a un differente aspetto chiave dell'IA e del suo crescente impatto sulla società: Ricerca e sviluppo, Performance tecniche, IA responsabile, Economia, Scienza e medicina, Educazione, Politiche e gestione, Diversity, Opinione pubblica. Ogni capitolo è preceduto da una serie di take-home messages che riassumono in un formato molto efficace gli elementi più importanti trattati nel testo.
Il documento, frutto della collaborazione con studiosi di altre università, aziende e istituzione internazionali, è interamente in inglese ed è consultabile gratuitamente in versione online o scaricabile in formato PDF.
I dati sintetici possono migliorare i modelli per la classificazione automatica delle immagini diagnostiche
I risultati pubblicati in un recente articolo di Nature (apri ) suggeriscono che l'utilizzo di dati sintetici, ovvero di dati prodotti da appositi sistemi di Intelligenza Artificiale generativa, nel processo di addestramento di sistemi IA per la classificazione automatica delle immagini diagnostiche può portare a un miglioramento dei risultati degli stessi.
In particolare, i modelli di IA generativi sono utilizzati per compensare la ridotta disponibilità o completa mancanza di immagini rappresentati patologie rare e/o relative a pazienti appartenenti a gruppi sottorappresentati nei dataset di immagini diagnostiche reali utilizzati per l'addestramento dei modelli IA di supporto alle diagnosi. Questo tipo di integrazione dei dataset migliora la robustezza dei modelli IA e garantisce una maggior equità di trattamento poiché migliora l'accuratezza delle diagnosi all'interno dei gruppi sottorappresentati.
Lo studio pubblicato su Nature ha focalizzato la propria attenzione su tre differenti 'domini' di immagini diagnostiche: (1) immagini istopatologiche, (2) radiografie toraciche e (3) immagine dermatologiche. In tutti i casi, gli autori hanno dimostrato che utilizzare immagini sintetiche prodotte da modelli IA generativi appositamente addestrati (attraverso enormi quantità di immagini reali) migliora i risultati dei sistemi IA rispetto all'addestramento solo con immagini reali.
Come osservato dagli stessi autori, la quantità e la qualità dei dati utilizzati nell'addestramento dei modelli IA in campo diagnostico rimane un elemento assolutamente centrale, ma la generazione di dati sintetici è uno strumento estremamente promettente per generalizzarne maggiormente il funzionamento.
Nvidia accelera gli investimenti e le collaborazioni per sviluppare applicazioni IA in Sanità
NVIDIA - il colosso americano di microelettronica che progetta la maggioranza dei processori utilizzati per addestrare i più potenti sistemi di Intelligenza Artificiale - continua a collaborare con e investire in startup e aziende impegnate nell'applicazione dell'IA alla medicina e alla ricerca farmaceutica.
Risale a metà marzo 2024 l'annuncio della collaborazione tra Nvidia e Johnson & Johnson MedTech per lo studio di applicazioni dei sistemi di IA generativa alla chirurgia. In particolare, le due aziende esploreranno come utilizzare l'IA per analizzare in modo automatico - e su scala 'industriale' - le riprese video eseguite durante gli interventi chirurgici e come automatizzare la generazione della documentazione relativa agli interventi chirurgici. Tra le prime applicazioni attese: l'anonimizzazione automatica dei pazienti presenti nelle riprese video e l'ottimizzazione automatica della qualità per poter usare tali video a scopo formativo.
Maggiori dettagli sulla collaborazione si trovano qui:
Apri link
Sempre a metà marzo 2024, Nvidia ha reso disponibili su cloud 25 nuovi servizi IA per supportare aziende, medici e ricercatori in campo sanitario. Tra i servizi resi disponibili: MolMIM per la chimica generativa, ESMFol per la predizione delle strutture 3D delle proteine, DiffDock per studiare l'interazione tra le molecole dei farmaci e i loro target biologici.
Maggiori dettagli sui microservizi IA resi disponibili da Nvidia si trovano qui:
Apri link
Non solo ChatGPT: i nuovi modelli di Google e Anthropic sono sempre più competitivi
A febbraio Google ha reso disponibile al pubblico Gemini, il nuovo modello di Intelligenza Artificiale (IA) generativa progettato per competere con OpenAI ChatGPT. A inizio marzo Anthropic, startup creata da ex-ingegneri di OpenAI e Google, ha rilasciato Claude 3, ultima versione della propria IA generativa.
Le recensioni e i commenti disponibili sui siti specializzati suggeriscono che entrambi i sistemi IA presentino un netto miglioramento rispetto alla generazione precedente e si avvicinino, e in certi casi superino, le performance della versione più potente di ChatGPT (la 4). Interessante osservare come le tre aziende seguano un approccio commerciale sostanzialmente analogo: la versione più potente è a pagamento (il costo mensile in tutti e tre i casi si aggira sui 20€) , le versioni con funzionalità ridotte sono disponibili gratuitamente.
Le versioni gratuite dei 3 sistemi sono raggiungibili - previa registrazione - ai seguenti indirizzi:
Una differenza sostanziale tra i 3 chatbot rimane: ChatGPT è - al momento - l'unico modello veramente multimodale, ossia in grado di ricevere input e generare output in formati differenti (in particolare: testo, voce, immagini). Gemini è progettato per essere multimodale, ma la capacità di generare immagine è stata limitata per via di alcuni problemi emersi nelle scorse settimane ( approfondisci qui). Claude 3, nella sua versione corrente, è in grado di ricevere input sotto forma di immagini, ma non è in grado di generarne in output. In altre parole, Claude 3 è in grado di interpretare il contenuto di una immagine fornita dall'utente, ma non è in grado di creare una immagine sintetica a partire da una descrizione testuale.
A questo link alcune interessanti considerazioni su Claude 3 da parte di T.B. Lee (storico giornalista di tecnologia):
Apri link
IA in Medicina: un delicato equilibrio tra opportunità e rischi
I sistemi IA promettono di rivoluzionare numerosi aspetti dei Sistemi Sanitari, dalla ricerca farmacologica ai percorsi di diagnosi, dalla gestione delle cronicità alla chirurgia robotica
Il mondo delle assicurazioni sanitarie è stato tra i primi ad 'abbracciare' questa tecnologia rivoluzionaria, introducendo - soprattutto negli Stati Uniti - strumenti basati sull'IA nel processo di analisi e approvazione delle richieste di rimborso. Non tutte le parti coinvolte sembrano soddisfatte dei risultati di questa innovazione. Due differenti gruppi di pazienti hanno intentato causa contro due colossi delle assicurazioni sanitarie, Humana and United Health, sostenendo che questi sistemi automatici hanno ingiustamente negato la copertura economica delle spese sanitarie sostenute per l'assistenza e la riabilitazione successive ai trattamenti ospedalieri. Le decisioni del modello IA utilizzato da entrambe le aziende - chiamato nH Predict e basato sulla correlazione tra i dati dello specifico paziente/caso e un database storico di 6 milioni di pazienti/casi - hanno in più casi ribaltato le indicazioni dei medici curanti sulle effettive necessità assistenziali dei pazienti.
Come per tutti gli strumenti estremamente potenti e flessibili, l'introduzione dell'IA in un settore complesso e delicato come la Sanità presenta numerosi e significativi rischi, che devono essere opportunamente monitorati e gestiti per massimizzare i benefici di questa tecnologia per la società. Nel caso specifico, sembrano di particolare rilievo la totale opacità del processo decisionale seguito dal modello IA nH Predit e la possibile presenza di significativi bias nei dataset utilizzati dal modello stesso.
Per maggiori dettagli:
ARS TECHNICA: Humana also using AI tool with 90% error rate to deny care
Apri link
ARS TECHNICA: UnitedHealth uses AI model with 90% error rate to deny care
Apri link
OCSE: come garantire un uso responsabile dell'IA in Sanità
Lo scorso 19 gennaio, l'OCSE (Organizzazione per la Cooperazione e lo Sviluppo Economico) ha pubblicato un documento intitolato "Collective action for responsible AI in health" - traducibile come "Azione collettiva per una Intelligenza Artificiale responsabile in Sanità". Il documento comprende una panoramica sulle applicazioni dell'IA in Sanità, analizzando le opportunità, i rischi e gli ostacoli associati all'introduzione di questa tecnologia potenzialmente rivoluzionaria. L'obiettivo del documento è indicare ai decisori politici quali aree necessitano di attenzione al fine di favorire la diffusione in Sanità di sistemi di Intelligenza Artificiale che siano adattabili, rispettino gli individui, supportino l'equità e migliorino la salute di tutti. Le aree identificate come più importanti sono relative allo sviluppo della fiducia nei sistemi IA da parte di operatori e cittadini, alla disponibilità delle necessarie risorse e opportune competenze, e alla collaborazione tra tutti i soggetti coinvolti.
La tabella qui in basso, tratta dall'articolo, riassume le principali barriere, rischi e possibile risultati associati all'introduzione dell'IA in Sanità.
Il documento integrale è disponibile al link sottostante.
AMIE - un modello IA per aiutare medici e pazienti
Google Deepmind, il principale laboratorio di Intelligenza Artificiale del gigante americano della tecnologia, ha sviluppato un nuovo modello di Intelligenza Artificiale - chiamato AMIE (Articulate Medical Intelligence Explorer) - capace di conversare testualmente con i pazienti, acquisendo informazioni rilevanti, fornendo spiegazioni mediche e formulando ipotesi diagnostiche. Gli autori del nuovo modello sottolineano come AMIE non abbia l'obiettivo di sostituire il medico, ma possa risultare un utile strumento di supporto all'attività professionale, velocizzando alcuni processi e potenziandone altri.
I risultati delle prime sperimentazioni controllate sono incoraggianti. AMIE ha dimostrato di essere efficace nell'interazione con i pazienti e di generare diagnosi accurate (con frequenza comparabile ai professionisti umani). Future versioni di AMIE saranno in grado di gestire input e output in forma di audio, immagini e video (multimodalità).
L'articolo - in pre-print su arXiv - in cui sono stati presentati i risultati della sperimentazione:
Apri link
La Casa Bianca ha emanato il primo Ordine Esecutivo per mitigare i rischi associati all'IA
Il 30 Ottobre 2023, il Presidente degli Stati Uniti Joe Biden ha firmato un Ordine Esecutivo finalizzato a garantire lo sviluppo di sistemi di Intelligenza Artificiale (IA) sicuri e affidabili. I principali elementi di questo importante atto legislativo, finalizzato a ridurre i rischi associati alla diffusione di sistemi IA sempre più potenti senza però limitare le potenzialità di innovazione di questa tecnologia rivoluzionaria, sono i seguenti:
In aggiunta, l'Ordine Esecutivo fornisce indicazioni a tutta l'amministrazione federale affinchè vengano definite e applicate linee guida relativamente all'acquisto e all'uso di sistemi IA, inclusa la creazione di opportune strutture organizzative interne e l'acquisizione di personale dotato di adeguate competenze.
Infine, l'Ordine Esecutivo impegna l'amministrazione federale ad aumentare la competitività del sistema paese per quanto concerne lo sviluppo e l'applicazione dei sistemi IA: (1) dando mandato al Dipartimento per la Sicurezza Interna di identificare azioni per facilitare l'arrivo negli US di persone dotate di competenze tecniche rilevanti, (2) richiedendo alla National Science Foundation (NSF) e ad altre agenzie federali di avviare iniziative finalizzate a velocizzare la ricerca e lo sviluppo nel campo dell'IA, anche attraverso la creazione di nuove partnership pubblico-privato.
Maggiori dettagli relativamente all'Ordine Esecutivo possono essere trovati su questa pagina del sito della Casa Bianca:
Apri link
I sistemi IA consumano enormi quantità di energia con serie implicazioni per la sostenibilità
I più potenti sistemi IA - come ChatGPT o Bard - sono basati sul machine learning. Questo vuol dire che il loro sviluppo avviene tramite l'elaborazione di enormi quantità di dati per prolungati periodi di tempo (numerose settimane) attraverso giganteschi supercomputer, costituiti da migliaia o decine di migliaia di processori che lavorano in parallelo. Il consumo di energia associato allo sviluppo dei modelli IA più complessi è stato stimato nell'ordine delle centinaia di MWh (circa 1300 MWh nel caso di ChatGPT 3). Come riferimento, 1 MWh è approssimativamente la quantità di energia necessaria per alimentare una macchina elettrica per 6000 km.
Una volta sviluppati, questi sistemi vengono utilizzati per rispondere alle richieste degli utenti. Ogni risposta generata da uno di questi sistemi, tecnicamente chiamata 'inferenza', richiede una quantità di energia significativamente inferiore rispetto alla fase di addestramento. Il problema è rappresentato dall'enorme quantità di richieste che sistemi come ChatGPT ricevono quotidianamente. Secondo alcune ricerche, ChatGPT consuma 564 MWh al giorno.
A prescindere dai numeri specifici, la questione centrale è che l'utilizzo dei sistemi IA è la causa principale del loro consumo di energia e non la fase di sviluppo. Questo vuol dire che con il diffondersi di tali sistemi, i loro consumi rischiano di crescere enormemente. Una ricerca ha stimato che se Google applicasse l'IA a tutte le ricerche fatte dagli utenti (Google gestisce una media di 9 miliardi di ricerche al giorno) consumerebbe 22.8 TWh di energia all'anno. Come riferimenti, l'Italia ha consuma circa 300 TWh nel 2021, l'Irlanda 33 TWh (data EIA).
Per ulteriori dettagli sull'hardware necessario per lo sviluppo e l'utilizzo dei sistemi IA (in particolare gli LLM) e i consumi di energia associati, è possibile consultare l'articolo originale a questo link su Joule (rivista associata a Cell).
L'OMS ha pubblicato una raccolta di considerazioni su come regolamentare l'uso dell'IA in Sanità
Grazie alla crescente disponibilità di dati sanitari e al costante e rapidissimo progresso delle tecniche di elaborazione degli stessi - come il machine learning - l'IA sta iniziando a trasformare i Sistemi Sanitari. L'OMS riconosce l'enorme miglioramento che l'IA può apportare in vari campi, quali: sperimentazione clinica, diagnosi e trattamento, cure personalizzate, integrazione delle competenze e conoscenze del personale sanitario. L'applicazione dell'IA in campo sanitario presenta, però, enormi rischi, quali: raccolta ed elaborazione dei dati personali non etica, problemi di cybersecurity, amplificazione delle discriminazioni ed esplosione della disinformazione.p
Regolamentare correttamente l'utilizzo dei sistemi IA in campo sanitario è fondamentale per massimizzare i benefici per il più ampio numero di soggetti, minimizzando al contempo gli impatti negativi per gli individui e la società.
La pubblicazione dell'OMS presenta sei aree particolarmente critiche per la corretta regolamentazione dell'IA in Medicina: trasparenza e documentazione in tutte le fasi di vita di un prodotto; gestione metodica del rischio; validazione dei dati da parte di terze parti; impegno per la qualità dei dati, al fine di prevenire bias e discriminazioni; rispetto dei requisiti normativi per la privacy e sicurezza dei dati; collaborazione sistematico tra tutte le parti coinvolte (industria, enti regolatori, professionisti, pazienti).
Il testo completo (in inglese) è disponibile al link sottostante.
Un nuovo sistema IA caratterizza i tumori cerebrali durante l'intervento chirurgico
Un gruppo di scienziati olandesi ha sviluppato un sistema di intelligenza artificiale per assistere i chirurghi nel corso degli interventi di asportazione di tumori cerebrali. Il sistema IA analizza segmenti del DNA dei campioni del tumore e - individuando specifiche mutazioni - riesce a determinare il tipo e il sottotipo del tumore cerebrale. La capacità di caratterizzare il tumore nel corso delle fasi iniziali dell'operazione può aiutare i chirurghi a decidere il grado di aggressività dell'intervento. In futuro, il metodo potrebbe anche indirizzare i medici verso trattamenti mirati per specifici sottotipi di tumore.
Il sistema IA - di tipo deep-learning - è stato battezzato Sturgeon. Sturgeon è stato inizialmente testato su 50 campioni di tumore cerebrale congelati, fornendo la diagnosi corretta in 45 casi e astenendosi da conclusioni per mancanza di informazioni nei rimanenti 5. Successivamente, Sturgeon è stato testato in 25 operazioni cerebrali dal vivo, in parallelo al metodo standard di analisi dei campioni di tessuto tramite microscopio. Il sistema IA ha fornito 18 diagnosi corrette e non ha raggiunto la soglia di sicurezza necessaria nei restanti 7 casi.
A differenza dei metodi 'tradizionali' di caratterizzazione dei campioni di tumore basati su sequenziamento genetico, che possono richiedere anche settimane, Sturgeon sfrutta tecniche di sequenziamento più rapide e le applica solo a piccole porzioni del genoma. In questo modo è possibile ottenere una diagnosi in meno di 90 minuti, in grado quindi di supportare le decisioni del neurochirurgo.
II sistema IA ha ancora dei limiti, ad esempio può avere difficoltà a individuare abbastanza marcatori specifici del tumore nel caso il campione includa percentuali significative di tessuto cerebrale sano.
L'articolo completo è disponibile su Nature al link sottostante.
AlphaFold, un sistema di IA sviluppato da Google DeepMind, ha predetto la struttura tridimensionale di quasi tutte le proteine note
AlphaFold - addestrato utilizzando i dati sulle strutture 3D delle proteine ottenuti sperimentalmente - ha generato un database, disponibile pubblicamente, contenente le strutture 3D di 200+ milioni di proteine.
Google DeepMind, laboratorio di ricerca sull’IA che ha sviluppato anche AlphaGo - il sistemi di IA che ha battuto il campione mondiale di Go, ha utilizzato i dati sulle strutture 3D di 180.000 proteine ottenuto dalla comunità scientifica in anni di analisi sperimentale per addestrare il proprio sistema di intelligenza artificiale AlphaFold.
Il risultato di questa ricerca è stata la pubblicazione, in collaborazione con EMBL-EMI, dell’AlphaFold Protein Structure Database. Questo database contiene la predizione accurata della struttura 3D di tutte le proteine contenute in Uniprot (il più ampio database internazionale delle sequenze proteiche degli organismi viventi). Il database è disponibile pubblicamente e consultabile gratuitamente. Esso fornisce anche la possibilità di scaricare l’intero proteoma umano e di altri 47 organismi particolarmente rilevanti per la ricerca.
L’articolo di Nature (pubblicato nel 2021) che riporta i principali risultati del progetto di ricerca è consultabile al link sottostante.
ChatGPT, il sistema di IA generativa sviluppato da OpenAI, ora può vedere, ascoltare e parlare
L’integrazione delle capacità di riconoscimento e sintesi del parlato e delle immagini promette di rivoluzionare il modo in cui interagiamo con i sistemi IA.
OpenAI - l’azienda americana che guida la rivoluzione dei Large Language Model (LLM), ossia i sistemi di Intelligenza Artificiale generativa in grado di interpretare il linguaggio umano e di rispondere in modo articolato e (molto spesso) rilevante alle richieste degli utenti - ha reso disponibili una nuova versione di ChatGPT che è in grado di interagire con l’utente attraverso il parlato e le immagini. In altre parole, la nuova versione del software è in grado di: (1) conversare con l’utente, ascoltando le richieste vocali e rispondendo a tono, (2) interpretare foto e immagini fornite dall’utente.
Queste due innovazioni alterano radicalmente la modalità di interazione tra ChatGPT e gli utenti, aprendo la strada a nuove forme di collaborazione uomo-macchina. Un possibile scenario d’uso futuro è il seguente: l’utente utilizza il proprio smartphone per fare la foto di un dispositivo elettronico che non conosce e poi la invia a ChatGPT chiedendo informazioni sul suo funzionamento, ChatGPT fornisce le informazioni richieste nella lingua dell’utente e genera immagini con indicazioni specifiche, frecce e quant’altro per chiarire eventuali dubbi.
Il comunicato ufficiale di OpenAI è disponibile al link sottostante.
Alcuni sistemi IA diffondono informazioni medico-scientifiche errate, basate su stereotipi e preconcetti razzisti
Gli autori di un articolo recentemente pubblicato su npj Digital Medicine hanno analizzato le risposte fornite da quattro Large Language Models (LLM) - la tecnologia alla base di ChatGPT e degli altri sistemi IA in grado di generare risposte rilevanti e articolate alle richieste scritte degli utenti - a nove domande finalizzate a identificare la tendenza di questi modelli a fornire informazioni in campo medico-scientifico basate su distinzioni razziali errate e dannose. Gli autori dell'articolo hanno sottoposto ciascuna domanda per cinque volte a ciascun LLM, generando 45 risposte per modello. Tutti i modelli hanno inserito informazioni scientifiche errate - basate su stereotipi e preconcetti razzisti - nelle risposte fornite. L'uso degli LLM in Medicina è in continua crescita, il risultato di questo studio - e di altri analoghi - dimostra l'importanza di un approccio critico e controllato all'adozione dei sistemi IA in ambiti critici.
L'articolo completo è disponibile su Nature al link sottostante.
Copyright © Accademia Nazionale di Medicina | Cod. fiscale e P. IVA: 04208241002 | Webmaster | Privacy policy
Realizzato da 
