Dall’intelligenza artificiale tradizionale, basata su modelli di machine learning addestrati su dati accuratamente selezionati ed etichettati a mano, all’avvento dei large language model (Llm) e di modelli fondazionali capaci di apprendere in modo autonomo dai dati reali della pratica clinica quotidiana. È il cambio di paradigma in corso, che apre nuove prospettive alla ricerca oncologica e che per la prima volta è stato analizzato in una vasta review internazionale, pubblicata sulla rivista ‘Cell Reports Medicine’. Lo studio vede tra i promotori principali Federica Corso, ricercatrice dell’Ai-On Lab (il laboratorio di ricerca sulle applicazioni dell’intelligenza artificiale in oncologia diretto da Arsela Prelaj) presso la Fondazione Irccs Istituto nazionale tumori (Int) di Milano, e prima autrice del lavoro condiviso con un team di esperti provenienti da centri di eccellenza europei e statunitensi tra cui l‘Ekfz e l’università di Dresda, l’università di Aquisgrana, la Val d’Hebron di Barcellona, l’università di Cambridge e gli atenei americani di Duke, Chicago e California.
Allo studio, che ha come primi autori anche Aleksandra Zec e Margherita Favali, hanno collaborato anche Luca Invernizzi e Vanja Miskovic, sempre di Ai-On-Lab. Attraverso l’analisi di oltre 150 studi scientifici recenti, informano dall’Int, “la review (descrittiva e non sistematica) offre la prima panoramica completa a livello internazionale su come l’Ai di nuova generazione stia trasformando la gestione del dato oncologico in quattro aree fondamentali: analisi del linguaggio naturale, immagini radiologiche e anatomia patologica digitale, biologia molecolare e supporto alle decisioni cliniche”.
“Fino ad oggi – spiega Corso – i modelli tradizionali di machine learning richiedevano un lavoro preventivo di etichettatura manuale dei dati, ad esempio indicando preliminarmente se un paziente avesse risposto o meno a una terapia. È un lavoro che assorbe molto tempo ed energia. Dalla review emerge, invece, che i nuovi modelli fondazionali e i grandi modelli di linguaggio usano sempre di più delle tecniche di self-supervised learning, ovvero un auto-apprendimento in grado di catalogare in maniera autonoma, e quindi di sfruttare appieno, la grande mole di dati e informazioni non strutturate raccolte ogni giorno nella pratica clinica. In questo modo diventa possibile valorizzare un patrimonio informativo enorme che prima andava in gran parte perduto per ragioni di tempo e risorse”.
