La matematica in appoggio alla biomedicina

"I dati sono il nuovo oro nero", è stato spesso detto. In effetti, nell'era digitale i dati sono il carburante che fa funzionare i motori dei media digitali, dell'informatica avanzata (AI, machine learning ecc.) e, generalmente, della ricerca scientifica. Tuttavia, di fronte a certe questioni molto complesse, gli approcci basati sui dati non sempre sono le soluzioni più efficaci. All'Istituto di computing dell'USI (Facoltà di scienze informatiche), il professor Illia Horenko ha messo a punto una strategia di apprendimento di modelli unificati basata su soluzioni nuove e molto efficienti a problemi matematici e statistici tradizionali, aprendo a sviluppi significativi in campi come la biomedicina. Il suo lavoro è pubblicato su PNAS, la rivista ufficiale dell'Accademia nazionale delle scienze negli Stati Uniti.

Quando si ha a che fare con l'organismo umano e le malattie, la quantità di variabili e caratteristiche del paziente - conosciute e sconosciute - può facilmente superare quella relativa ai dati disponibili da analizzare. Inoltre, specialmente nelle applicazioni biomediche, i dati disponibili sono frequentemente contaminati da anomalie, eccezioni, misurazioni errate ed errori di classificaizone. L'idea alla base della strategia computazionale proposta dal Prof. Horenko, chiamata Entropic Outlier Sparsification (EOS), è quella di migliorare l'apprendimento dai dati e l'accuratezza delle proiezioni in presenza di anomalie ed eccezioni sfruttando il potenziale dei nuovi metodi matematici di apprendimento. Un campo con un enorme potenziale per l'adozione di questo tipo di strategia è quello della biomedicina e della sanità. Per esempio, un grande potenziale ancora inesplorato di tali metodi è nel miglioramento della diagnostica delle malattie cardiovascolari: secondo l'Organizzazione mondiale della sanità, queste patologie sono responsabili di circa un terzo della mortalità nel mondo, rappresentando ogni anno circa 18 milioni di morti a livello globale (e oltre 21'000 morti all'anno nella sola Svizzera).

"Per esempio, EOS può aiutare a raggiungere un miglioramento statisticamente significativo nella previsione della mortalità dei pazienti per insufficienza cardiaca, rispetto ai comuni metodi di apprendimento attualmente adottati per questo scopo", afferma il Prof. Horenko. "Questo miglioramento può significare una diagnostica potenzialmente più tempestiva e corretta e un trattamento clinico più adeguato per un numero significativo di individui in Svizzera e nel mondo". 

Il lavoro del Prof. Horenko è stato in parte finanziato dall'iniziativa "Emergent Algorithmic Intelligence" della Fondazione Carl-Zeiss.

L'articolo scientifico intitolato Cheap robust learning of data anomalies with analytically-solvable entropic outlier sparsification è disponibile online qui:
www.pnas.org/content/119/9/e2119659119

Illia Horenko è professore ordinario alla Facoltà di scienze informatiche dell'USI. Ha conseguito un dottorato in matematica applicata presso la Freie Universität Berlin (FU Berlin) nel 2004 e ha trascorso diversi anni come ricercatore post-dottorato presso il Biocomputing Group and Climate Research Group a FU Berlin, prima di raggiungere la Facoltà di matematica e informatica della FU Berlin come professore assistente nel 2008. I suoi interessi di ricerca si concentrano sui fondamenti matematici dell'intelligenza artificiale. Le aree di applicazione dei metodi sviluppati sono problemi di ricerca sul clima/tempo, finanza computazionale ed econometria, biofisica, meccanica dei fluidi computazionale e sociologia.