Algoritmi che riconoscono patologie da immagini radiologiche o predicono l’evoluzione di una malattia partendo dai dati clinici. È questa la promessa dell’Intelligenza Artificiale in sanità. Tuttavia, la sua adozione negli ospedali resta complessa: mancano dataset omogenei e, soprattutto, è necessario tutelare la privacy dei pazienti.
Proprio per superare questi ostacoli nasce il Federated Continual Learning, un approccio che unisce due concetti chiave: il Federated Learning, che consente la collaborazione tra più strutture senza condividere dati sensibili, e il Continual Learning, che permette all’AI di aggiornarsi costantemente senza perdere le conoscenze acquisite.
Il nodo della privacy e la sfida dei dati distribuiti
Gli ospedali raccolgono informazioni preziose, ma frammentate in silos e protette da vincoli normativi. In questo contesto, il Federated Learning ha rappresentato una svolta: ogni struttura addestra il modello sui propri dati e invia solo i parametri appresi a un sistema di aggregazione centrale, preservando la riservatezza dei pazienti.
Ma il settore sanitario è in continua evoluzione: emergono nuove patologie, cambiano i protocolli clinici, e i pazienti possono revocare il consenso. Per questo serve un’AI capace di adattarsi senza “dimenticare” il passato, evitando il fenomeno del catastrophic forgetting. È qui che entra in gioco il Continual Learning.
Federated Continual Learning: come funziona
Il modello combina i due approcci. I dati restano nei centri clinici, ma l’AI aggiorna le proprie conoscenze in maniera progressiva, mantenendo la memoria delle esperienze precedenti. Alcune strategie chiave:
- Tecniche brain-inspired: algoritmi che imitano il funzionamento del cervello, sfruttando caratteristiche stabili (feature di salienza) per conservare le informazioni più importanti.
- Generazione di dati sintetici con GAN: per arricchire il processo di addestramento senza esporre informazioni reali, attraverso campioni artificiali privi di riferimenti ai pazienti.
- Experience replay distribuito: ogni nodo (ospedale) “ripassa” le esperienze passate utilizzando dati sintetici condivisi, evitando la perdita di conoscenze e rispettando la privacy.
Questa combinazione è stata validata su due scenari clinici reali: la diagnosi automatica di tubercolosi tramite radiografie toraciche e la classificazione di lesioni cutanee, dove la qualità visiva influisce sulla precisione diagnostica.
Un modello adattivo per la medicina del futuro
Il Federated Continual Learning è una risposta concreta alle sfide della sanità digitale: sfrutta la potenza collaborativa delle reti ospedaliere senza compromettere la riservatezza e garantisce sistemi sempre aggiornati, capaci di adattarsi ai cambiamenti clinici.
«L’idea è creare modelli che apprendano in modo sicuro e distribuito, consolidando la memoria nel tempo», spiega il team di ricerca impegnato nello sviluppo di queste tecnologie nell’ambito del Dottorato Nazionale in Intelligenza Artificiale coordinato dall’Università Campus Bio-Medico di Roma.
Iscriviti al canale Telegram di Servicematica
Notizie, aggiornamenti ed interruzioni. Tutto in tempo reale.
LEGGI ANCHE
Addio al limite dei 100 ml: a Linate e Malpensa via libera ai liquidi nei bagagli a mano
Grazie ai nuovi scanner di sicurezza 3D, gli aeroporti milanesi consentono flaconi fino a 2 litri. E l’Italia fa da apripista in Europa per un’esperienza…
Sistema previdenziali forense: riforma 2021 e passaggio al contributivo puro
Dal 2021 entreranno in vigore alcune delle novità previste dalla riforma del sistema previdenziale forense del 2009. La riforma prevede un graduale aumento dei requisiti…
Sfide estreme, proposta di legge per introdurre un nuovo reato: fino a 3 anni di carcere
La norma proposta stabilisce che chiunque promuova o partecipi a queste sfide rischia una pena detentiva da uno a tre anni.
