AFFILIAZIONE
asst spedali civili di brescia
AUTORE PRINCIPALE
Dott. Pagnoncelli Diego
VALUTA IL CHALLENGE
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Dott. Pagnoncelli Diego asst spedali civili di brescia
Ing. Viganò Gian Luca asst spedali civili di brescia
Ing. Capuzzo Martina asst spedali civili di brescia
Ing. Duri Claudia asst spedali civili di brescia
Ing. Goldoni Davide asst spedali civili di brescia
Ing. Ignoti Lucia Maria asst spedali civili di brescia
Dr.ssa Ing Albini Giulia asst spedali civili di brescia
Dr. Ing Morandi Luca asst spedali civili di brescia
Dr.ssa Ing Scarpellini Martina asst spedali civili di brescia
Ing. Cicellini Gian Luca asst spedali civili di brescia
Ing. Viganò Gian Luca asst spedali civili di brescia
Ing. Capuzzo Martina asst spedali civili di brescia
Ing. Duri Claudia asst spedali civili di brescia
Ing. Goldoni Davide asst spedali civili di brescia
Ing. Ignoti Lucia Maria asst spedali civili di brescia
Dr.ssa Ing Albini Giulia asst spedali civili di brescia
Dr. Ing Morandi Luca asst spedali civili di brescia
Dr.ssa Ing Scarpellini Martina asst spedali civili di brescia
Ing. Cicellini Gian Luca asst spedali civili di brescia
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
Il melanoma cutaneo è una delle patologie oncologiche più aggressive e a maggiore incidenza crescente a livello globale. In tale contesto, il ruolo dell’Intelligenza Artificiale (IA) nella diagnosi precoce di lesioni sospette si sta rivelando sempre più rilevante, offrendo strumenti in grado di supportare l’analisi delle immagini e l’interpretazione clinica in modo efficiente. Tuttavia, uno dei principali limiti che ne ostacola l’applicazione diffusa in ambito sanitario è rappresentato dalla marcata eterogeneità dei dati clinici, specialmente nei contesti multicentrici. Differenze nei protocolli di acquisizione, nei dispositivi utilizzati, nella qualità delle annotazioni e nelle caratteristiche demografiche dei pazienti possono compromettere l’accuratezza e la generalizzabilità dei modelli.
Il progetto “Armonizzazione Intelligente per la Diagnosi del Melanoma”, promosso congiuntamente dall’ASST Spedali Civili di Brescia e dal Politecnico di Milano, si propone di affrontare questo limite strutturale mediante lo sviluppo e l’applicazione di tecniche avanzate di armonizzazione dei dati. Attraverso l’impiego di algoritmi di machine learning, approcci di integrazione multi-modale e strategie ispirate ai principi FAIR (Findable, Accessible, Interoperable, Reusable), il progetto intende rendere inter- operabili e riutilizzabili i dati provenienti da fonti cliniche real-world, incluse cartelle cliniche elettroniche, immagini dermatoscopiche e scansioni 3D.
I risultati ottenuti evidenziano un netto miglioramento delle performance diagnostiche dei modelli di IA armonizzati, una riduzione del bias legato alla variabilità tra i centri clinici e un incremento della qualità e coerenza dei dati. Il progetto dimostra inoltre come l’adozione di un’infrastruttura armonizzata favorisca la ricerca collaborativa, abiliti nuovi scenari di analisi multicentrica e consenta lo sviluppo di modelli clinici replicabili anche in altri ambiti specialistici. L’iniziativa si configura così come un esempio di applicazione concreta, eticamente solida e tecnologicamente avanzata dell’Intelligenza Artificiale nella medicina contemporanea.
Il progetto “Armonizzazione Intelligente per la Diagnosi del Melanoma”, promosso congiuntamente dall’ASST Spedali Civili di Brescia e dal Politecnico di Milano, si propone di affrontare questo limite strutturale mediante lo sviluppo e l’applicazione di tecniche avanzate di armonizzazione dei dati. Attraverso l’impiego di algoritmi di machine learning, approcci di integrazione multi-modale e strategie ispirate ai principi FAIR (Findable, Accessible, Interoperable, Reusable), il progetto intende rendere inter- operabili e riutilizzabili i dati provenienti da fonti cliniche real-world, incluse cartelle cliniche elettroniche, immagini dermatoscopiche e scansioni 3D.
I risultati ottenuti evidenziano un netto miglioramento delle performance diagnostiche dei modelli di IA armonizzati, una riduzione del bias legato alla variabilità tra i centri clinici e un incremento della qualità e coerenza dei dati. Il progetto dimostra inoltre come l’adozione di un’infrastruttura armonizzata favorisca la ricerca collaborativa, abiliti nuovi scenari di analisi multicentrica e consenta lo sviluppo di modelli clinici replicabili anche in altri ambiti specialistici. L’iniziativa si configura così come un esempio di applicazione concreta, eticamente solida e tecnologicamente avanzata dell’Intelligenza Artificiale nella medicina contemporanea.