Come vengono utilizzati il machine learning e il deep learning nella bioinformatica? Tutti i modelli di ML devono necessariamente essere spiegabili? Come si può promuovere la fiducia degli utenti finali delle applicazioni basate sul ML? In questa tavola rotonda virtuale, la prima di una serie (vedi riquadro), i relatori invitati presentano casi d'uso e prospettive sul ML dalla biocurazione, alla patologia digitale, alla scoperta di biomarcatori e allo sviluppo di algoritmi. Un messaggio trasversale: l'importanza di una buona scienza dei dati che si basi sulla competenza nel settore e dell'interazione tra l'intelligenza umana e quella artificiale.

"Discussione sulle tendenze nella bioinformatica"

è una nuova serie di tavole rotonde virtuali che affrontano temi trasversali di attualità nel campo della scienza dei dati applicata ai biodati. Trasmessi in diretta streaming per i membri Il SIB, gli eventi comprenderanno circa 30 minuti di discussioni moderate con relatori ospiti e saranno disponibili sul canale YouTube Il SIB.

Incontra i relatori

Le tecniche di apprendimento automatico (ML) sono state utilizzate, sviluppate e perfezionate per decenni dai bioinformatici svizzeri. Potrete incontrare alcuni di loro durante questa tavola rotonda che vedrà la partecipazione dei seguenti relatori (leggete i loro profili qui sotto) Alan Bridge, responsabile del gruppo Swiss-Prot; Andrew Janowczyk, ricercatore senior presso il Dipartimento di oncologia di precisione (CHUV) e bioinformatico senior al SIB; Carlos Andrés Peña, responsabile del gruppo di intelligenza computazionale per la biologia computazionale (HEIG-VD) e Julia Vogt, responsabile del gruppo di scienza dei dati medici (ETH Zurigo). La discussione è moderata dai copresidenti Aitana Lebrand, responsabile del team di scienza dei dati, Clinical Bioinformatics, e Maïa Berman, responsabile della comunicazione.

Una panoramica delle applicazioni

Esempi di applicazioni delle tecniche di ML abbondano nella bioinformatica svizzera e tra i gruppi del SIB. Durante questo panel, scoprirai alcuni dei progetti attuali dei relatori: diagnosi della retinopatia diabetica in diverse popolazioni, identificazione di tumori particolarmente aggressivi da vetrini di tessuti scansionati, rilevamento precoce dell'ittero neonatale, previsione dell'affinità tra batteriofagi e batteri e supporto alla selezione della letteratura per la biocurazione.

Dalle sfide alla promozione della fiducia degli utenti finali

La discussione approfondirà anche alcune delle specificità del ML e le sfide che esso rappresenta. I relatori condivideranno le loro opinioni sull'importanza di conoscere e ottenere i dati giusti, nonché sul ruolo dell'annotazione e della strutturazione per ottenere set di dati rappresentativi in questo contesto. Discuteranno poi della necessità (o meno) che un modello sia spiegabile, a seconda del contesto di utilizzo o dell'applicazione, e di come raggiungere tale obiettivo.

Infine, la discussione includerà un breve "confronto con la realtà" da tenere presente quando i modelli ML diventano applicazioni utilizzate abitualmente dagli utenti finali, dai medici e dagli scienziati della vita ai biocuratori, con "fiducia" come parola chiave.

Il messaggio da portare a casa? Come afferma Aitana Lebrand: "Una buona scienza dei dati è al centro della bioinformatica: solide competenze di scripting e statistica, combinate con esperti del settore che hanno le competenze sostanziali per la cura dei dati e per darne un senso. Questi sono gli ingredienti chiave per garantire la fiducia dei nostri utenti finali, dai medici agli scienziati e ai chimici".

Profili dei relatori:

Alan Bridge è il direttore del gruppo Il SIB Swiss-Prot, il cui team di esperti biocuratori e sviluppatori di software collabora con partner internazionali per sviluppare risorse di conoscenza di fama mondiale come UniProtKB/Swiss-Prot, Rhea, SwissLipids e ViralZone. Alan è stato coinvolto nella promozione degli sforzi di Swiss-Prot per migliorare l'acquisizione e la diffusione delle conoscenze in forma leggibile sia dall'uomo che dalle macchine. I suoi attuali interessi includono lo sfruttamento di approcci di deep learning per accelerare la selezione della letteratura e l'estrazione di informazioni, al fine di fornire agli utenti le prove più accurate e informative in modo tempestivo.

>> Maggiori informazioni sul lavoro di Alan nella pagina del suo gruppo

Andrew Janowczyk è assistente ricercatore presso il Centro di imaging computazionale e diagnostica personalizzata (CCIPD) della Case Western Reserve University (Stati Uniti), ricercatore senior presso il Dipartimento di oncologia di precisione del CHUV e bioinformatico senior presso Il SIB. Da oltre 10 anni applica algoritmi di visione artificiale alle immagini di patologia digitale. È specializzato nell'utilizzo del deep learning per costruire modelli computazionali che aiutino i patologi nelle attività comuni, come l'individuazione e la classificazione delle malattie. La sua ultima ricerca si concentra sulla previsione della prognosi e della risposta alla terapia. Il suo strumento HistoQC ha ricevuto il Premio Innovazione al Congresso Europeo di Patologia Digitale (ECDP) del 2018. Nello stesso anno ha contribuito a fondare il Consorzio Svizzero di Patologia Digitale (SDiPath) ed è stato eletto segretario dello stesso.

>> Maggiori informazioni sul lavoro di Andrew sul suo blog dedicato alla ricerca

Carlos-Andrés Peña è professore ordinario presso l'Università di Scienze Applicate della Svizzera Occidentale nel Canton Vaud (HEIG-VD), dove dirige il gruppo Computational Intelligence for Computational Biology (CI4CB) e il settore Applicazioni Biomediche presso il dipartimento ICT. È anche responsabile di gruppo al SIB. Ha più di 20 anni di esperienza nello sviluppo e nell'applicazione di metodi di intelligenza computazionale nelle scienze della vita e nella ricerca biomedica. È particolarmente interessato alla spiegabilità e all'interpretabilità dei sistemi basati sull'intelligenza artificiale che alleano potere predittivo e esplicativo.

>> Maggiori informazioni sul lavoro di Carlos sono disponibili sulle pagine del suo gruppo qui e qui

Julia Vogt è assistente professore presso il Dipartimento di Informatica del Politecnico federale di Zurigo (ETH) e responsabile di gruppo presso il SIB. Il principale interesse di ricerca del suo gruppo risiede nell'intersezione tra machine learning e medicina. Il suo lavoro è incentrato sul progresso e lo sviluppo di nuove tecniche di machine learning per la medicina di precisione e l'analisi dei dati clinici. Il campo di azione comprende molte aree, quali la previsione della risposta al trattamento o la diagnosi precoce nella medicina personalizzata, l'integrazione multimodale dei dati e il rilevamento delle strutture. In stretta collaborazione con i medici, il gruppo identifica le lacune in cui le tecnologie attuali falliscono e sviluppa soluzioni su misura.

>> Maggiori informazioni sul lavoro di Julia sono disponibili sulle pagine del suo gruppo qui e qui

Argomenti correlati