Intelligenza artificiale nella diagnostica medica

In un articolo pubblicato su JAMA, Chen e colleghi descrivono tre metodi di apprendimento (imparare dagli errori, imparare dagli esempi e imparare dall’esperienza), che sono alla base di molti sistemi diagnostici di intelligenza artificiale. In un futuro sempre meno lontano questi strumenti alleggeriranno i medici degli aspetti prettamente computazionali del loro lavoro, consentendo loro di concentrarsi su compiti che possono invece essere svolti solo dall’uomo come l’interpretazione della storia del paziente e del contesto sociale in cui vive, e la comunicazione dell’incertezza.

machine learning

Il maching learning sta prendendo piede negli ambiti più disparati, grazie alla capacità di fornire previsioni su nuovi dati o di sintetizzare i dati tramite clustering, cioè creando dei raggruppamenti per i quali dati appartenenti al medesimo cluster condividono caratteristiche simili, mentre dati appartenenti a cluster diversi sono differenti. Per quanto concerne la pratica clinica, il maching learning potrebbe diventare presto uno strumento di supporto all’attività decisionale dei medici.

Intelligenza artificiale

L’intelligenza artificiale studia i fondamenti teorici, le metodologie e le tecniche che consentono di progettare sistemi hardware e sistemi di programmi software atti a fornire all’elaboratore elettronico prestazioni che, a un osservatore comune, sembrerebbero di di pertinenza esclusiva dell’intelligenza umana. Il suo principale scopo non è quello di replicare tale intelligenza, ma di riprodurne o emularne alcune funzioni, come per esempio la capacità di risolvere problemi mediante processi inferenziali.
Nonostante quello che si potrebbe pensare, non stiamo parlando di una disciplina recente perché si è iniziato a parlare di intelligenza artificiale fin dal 1956. A differenza del passato oggi si è fatto strada il concetto di ‘machine learning’, che ha suscitato grandi aspettative anche se non manca qualche voce critica.