«Per fare ricerca serve l'intelligenza artificiale che sa dire non lo so»

Sono arrivate insieme tre condizioni: dati di qualità e profondità mai viste prima, metodi di AI più maturi e hardware capace di addestrare modelli sufficientemente potenti. Oggi possiamo dare un senso a informazioni che dieci anni fa non esistevano o non erano analizzabili. Ma non vogliamo limitarci a usare soluzioni già disponibili: la parte più importante è creare nuovi modelli e nuovi modi di addestrarli, ispirati dai problemi concreti della ricerca biomedica.

Che cosa può fare oggi l'AI che prima non si riusciva a vedere?

Un esempio riguarda la microscopia. Con i metodi MicroSplit e lambda-Split possiamo separare virtualmente strutture che nell'immagine grezza si sovrappongono. Il biologo vede così più informazioni contemporaneamente usando lo stesso strumento, senza costi aggiuntivi. Un secondo esempio è più vicino alla clinica: abbiamo sviluppato un metodo per prevedere il rischio di tumore al seno e stiamo aggiungendo un modulo di AI spiegabile. Il sistema non si limita a fornire una previsione, ma può mostrare quali caratteristiche dell'immagine hanno contribuito a determinarla.

Il problema della “scatola nera” è quindi centrale?

Sì, soprattutto in medicina. I rischi di un uso disinvolto sono reali: un modello potrebbe avere imparato a riconoscere un dettaglio dello scanner anziché la malattia, oppure individuare una correlazione casuale. Per questo lavoriamo su modelli che non restituiscano una sola risposta, ma diverse possibilità plausibili, sulla calibrazione dell'incertezza e sull'AI spiegabile, per verificare se ciò che il modello ha imparato abbia senso biologico.

Lei parla di un'AI capace di dire “non lo so”. Perché è così importante?

Perché un modello che dà sempre una risposta la dà anche quando sta semplicemente indovinando. E in medicina sbagliare con sicurezza è peggio che non dire niente. Un modello calibrato dovrebbe dire: ecco la mia previsione ed ecco quanto dovreste fidarvene. Quando è molto sicuro può alleggerire il clinico dal lavoro di routine; quando non lo è, deve passare il caso a una persona. Conoscere i limiti non è una debolezza, è ciò che rende uno strumento utilizzabile.

Quali sono le sfide principali?

La prima è trasformare un metodo in uno strumento affidabile e utilizzabile da biologi o medici: dimostrare che qualcosa è possibile non basta, serve ingegneria seria. La seconda sono le persone. I talenti capaci di lavorare tra matematica, informatica e scienze della vita sono molto richiesti.

Quanto manca perché questi strumenti producano benefici concreti per i pazienti?

«Dipende dalla scoperta. Un nuovo metodo può aiutare un ricercatore nel giro di settimane; uno strumento di previsione clinica può richiedere anni di test e validazione prima di entrare in ospedale. La velocità non può sostituire il rigore.

E il futuro?

L'AI cambierà sicuramente il modo in cui facciamo scienza. I dati sono diventati troppo complessi per essere analizzati efficacemente soltanto dall'uomo. Ma bisogna distinguere il potenziale reale dalle promesse gonfiate. Il nostro obiettivo è aumentare il ritmo della scoperta scientifica e costruire strumenti che possano davvero aiutare ricercatori, medici e, alla fine, i pazienti.