Ricerca | Progetti

METODI DI COMPUTAZIONE EVOLUTIVA: APPLICAZIONI IN MEDICINA E HEALTHCARE

Una delle grandi opportunità di applicare la Computazione Evolutiva (EC) al settore medico e sanitario è l'enorme gamma di applicazioni disponibili a trarre vantaggio dal settore della EC. La maggior parte (se non tutte) delle decisioni mediche possono essere formulate come una ricerca in uno spazio appropriato. Ad esempio, un patologo che analizza le biopsie per decidere se sono maligne o no, esegue una ricerca nello spazio di tutte le possibili caratteristiche cellulari che gli consenta di fornire una diagnosi chiara. Un radiologo che pianifica una sequenza di dosi di radiazioni cerca il miglior trattamento nello spazio dei possibili trattamenti.Le decisioni mediche si basano su test clinici che forniscono enormi quantità di dati e si traducono in spazi di ricerca molto grandi e complessi. Data la stretta interdipendenza tra le variabili di dominio e la non linearità intrinseca della maggior parte dei problemi, i punti vicini nello spazio di ricerca possono avere caratteristiche molto diverse, trasformando la ricerca in un compito estremamente complesso. Pertanto, molti problemi medici sono spesso usati come riferimento per testare e confrontare tecniche di ricerca.La costruzione di modelli accurati di decisione medica da conoscenze esistenti è un compito difficile. La maggior parte delle diagnosi cliniche sono a un certo punto dipendenti dalla valutazione soggettiva che, pertanto, è inaffidabile.Da un lato, i modelli implicano troppi parametri non lineari e incerti per essere trattati analiticamente. D'altra parte, esperti medici di solito non sono disponibili, o semplicemente non collaborano a tradurre la loro esperienza in uno strumento di decisione utile.Tuttavia, c'è un gran numero di banche dati mediche accessibili. Attualmente, i risultati medici sono memorizzati e accumulati in banche dati in modo da servire sia come record della storia del paziente, sia come fonte di conoscenza medica. L'EC fornisce potenti metodologie per la ricerca di spazi complessi. L'acquisizione di buoni dati con cui formare e testare nuovi algoritmi è una delle sfide più importanti nell'applicazione della EC in ambito medico. Perché il sistema abbia successo, i dati devono essere corretti e rappresentativi di quelli da rilevare durante la distribuzione. Per molte aree di applicazione medica, raramente c'è un modo per ottenere un gold standard che è al 100% accurato. La quantità di dati disponibile aumenta continuamente e pertanto lo sfruttamento richiede l'uso di strumenti di elaborazione sofisticati.I compiti dei metodi di EC che è possibile eseguire in campo medico possono essere divisi in tre gruppi: 1. data mining, principalmente applicata alla diagnosi e alla prognosi, 2. l'imaging medico e l'elaborazione del segnale, e 3. il planning e lo scheduling.L'attività di ricerca si concentrerà sia sul data mining sia sull'imaging medico e l'elaborazione del segnale. In particolare, il primo passo della ricerca consisterà nel selezionare o creare database clinici che contengano grandi quantità di dati sui pazienti e sulle loro condizioni mediche. La storia clinica di un paziente genera dati che vanno oltre la malattia trattata. Queste informazioni, insieme a quelle di altri pazienti, costituiscono un buona base per cercare nuove relazioni e modelli, o per convalidare le ipotesi proposte. Il secondo passo della ricerca consisterà nel proporre e studiare nuovi metodi di EC chefacciano uso esplicito di tecniche di auto-adattamento dei parametri di controllo e consentanola co-evoluzione delle soluzioni, con l'obiettivo di ridurre il problema della dimensionalità e, quindi, il problema della complessità dei dati trattati. Si verificherà la possibilità di uso anche di tecniche di ricerca locale con lo scopodi migliorare l'efficienza in casi particolarmente costosi computazionalmente.Un passaggio successivo sarà costituito da versioni parallele dei modelli proposti, così da ampliare la loro applicabilità.