Coordinatori:

Berchialla Paola, Università degli Studi di Torino, paola.berchialla@unito.it

Barbati Giulia, Università degli Studi di Trieste, gbarbati@units.it

 Visconti Alessia, Università degli Studi di Torino, alessia.visconti@unito.it

Gruppo di lavoro

Azzolina Danila, Università degli Studi di Ferrara, danila.azzolina@unife.it

Baldi Ileana, Università degli Studi di Padova, ileana.baldi@unipd.it

Bucci Andrea, Università Politecnica delle Marche, a.bucci@staff.univpm.it

Calza Stefano, Università degli Studi di Brescia, stefano.calza@unibs.it

De Cola Maria Cristina, IRCCS Messina, mariacristina.decola@irccsme.it

De Martino Maria, Università degli Studi di Udine, maria.demartino@uniud.it

Di Gennaro Gianfranco, Università degli Studi "Magna Grecia" di Catanzaro, gianfranco.digennaro@unicz.it

Di Traglia Luca, Università di Roma Sapienza, luca.ditraglia@uniroma1.it

Diedenhofen Giacomo, Università di Roma Sapienza, giacomo.diedenhofen@uniroma1.it

Dolce Pasquale, Università degli Studi di Napoli Federico II, pasquale.dolce@unina.it

Donghia Rossella, IRCCS "Saverio de Bellis", rossella.donghia@irccsdebellis.it

Edefonti Valeria, Università degli Studi di Milano, valeria.edefonti@unimi.it

Faragalli Andrea, Università Politecnica delle Marche Home, a.faragalli@staff.univpm.it

Gandin Ilaria, Università degli Studi di Trieste, igandin@units.it

Gialluisi Alessandro, Università LUM, gialluisi@lum.it

Giannico Valerio, ASL Taranto, oraziovalerio.giannico@asl.taranto.it

Giudici Fabiola, IRCCS Centro di Riferimento Oncologico Aviano, fabiola.giudici@cro.it

Giusti Emanuele Maria, Università degli Studi dell'Insubria, emanuelemaria.giusti@uninsubria.it

Gregori Dario, Università degli Studi di Padova, dario.gregori@unipd.it

Gregorio Caterina, Karolinska Institutet, caterina.gregorio@ki.se

Ieva Francesca, Politecnico di Milano, francesca.ieva@polimi.it

Isola Miriam, Università degli Studi di Udine, miriam.isola@uniud.it

Lanera Corrado, Università degli Studi di Padova, corrado.lanera@unipd.it

Lofaro Danilo, Università della Calabria, danilo.lofaro@unical.it

Lorenzoni Giulia, Università degli Studi di Padova, giulia.lorenzoni@unipd.it

Lorusso Letizia, Università degli Studi di Bari Aldo Moro,

Marchioni Michele, Università di Studi "G. D'Annunzio" Chieti-Pescara, michele.marchioni@unich.it

Melone Velia, Università di Roma Sapienza, velia.melone@uniroma1.it

Milanese Alberto, Università di Roma Sapienza, alberto.milanese@uniroma1.it

Pacella Daniela, Università degli Studi di Napoli Federico II, daniela.pacella@unina.it

Petsas Nikolaos, Università di Roma Sapienza, nikolaos.petsas@uniroma1.it

Polano Maurizio, IRCCS Centro di Riferimento Oncologico Aviano, mpolano@cro.it

Porreca Annamaria, Università di Roma San Raffaele, annamaria.porreca@uniroma5.it

Ricotti Andrea, Ospedale Umberto I di Torino, aricotti@mauriziano.it

Rocchi Ettore, Università di Bologna, ettore.rocchi3@unibo.it

Solinas Giuliana, Università degli Studi di Sassari, gsolinas@uniss.it

Venturini Michela, KU Leuven, michela.venturini@kuleuven.be

Vezzoli Marika, Università degli Studi di Brescia, marika.vezzoli@unibs.it

Visconti Alessia, Università degli Studi di Torino, alessia.visconti@unito.it

Zamagni Giulia, IRCCS “Burlo Garofolo”, giulia.zamagni@burlo.trieste.it

Obiettivi

Il gruppo di lavoro si propone di: (i) approfondire l’utilizzo delle tecniche di ML e DL evidenziando i punti di contatto e di integrazione con le tecniche classiche di modellizzazione statistica allo scopo di migliorarne l’applicabilità; (ii) dare ampia diffusione alle conoscenze alla base delle tecniche ML per rendere l’approccio all’analisi basato su tali strumenti più facilmente comprensibile e accessibile; (iii) promuovere l’utilizzo di strumenti appropriati che rendano interpretabili di modelli basati sul ML; (iv) censire le risorse open source disponibili (come software e modelli pre-addestrati che possono essere utilizzati).

A tale scopo sono stati identificati i seguenti obiettivi specifici:

  1. identificare i campi e i contesti di applicazione delle tecniche di ML e DL dando evidenza alle applicazioni più innovative;
  2. disseminare attraverso seminari e corsi l’utilizzo delle tecniche di ML e DL come approccio all’analisi dei dati, con lo scopo di promuoverne la corretta pratica d’uso con particolare attenzione alle tecniche di validazione dei modelli e all’aspetto della interpretabilità;
  3. produrre pubblicazioni scientifiche finalizzate a inquadrare l’uso delle tecniche di ML e DL come strumento per la ricerca biostatistica.

Temi di particolare interesse per i membri del gruppo: l’analisi con ML di real life data e dati raccolti in maniera routinaria (database amministrativi), le applicazioni nel campo dei clinical trials, l’utilizzo di ML come sistemi di monitoraggio, di supporto alla pratica clinica ed alla ricerca biostatistica, e l’impiego del DL nell’analisi di segnali ECG, serie temporali in terapia intensiva (ICU), imaging medico e nella predictive healthcare

Attività svolte

  • due corsi pre-congressuali :
    1. “Artificial Intelligence in health: methodological approaches and best practices. Learning by doing” , 20/9/2023, XII congresso nazionale della SISMEC
    2. Introduction to Machine Learning with Tidymodels (tenuto da Alison Hill), 15/09/2021, XI Congresso Nazionale SISMEC
  • due webinar :
    1. Webinar "AI in health: advantages and pitfalls", Speaker: Dr. DraganaVuckovic, Lecturer in Computational Epidemiology and Biostatistics at Imperial College of London, 24/2/2023. Link youtube
    2. Webinar "AI in health: data scientist point of view", Speaker: Prof. Giorgio Leonardi, Prof. Associato in Informatica - Computer Science Institute - Dip. di Scienze e Innovazione Tecnologica Università del Piemonte Orientale, 31/5/2023. Link youtube
       

Attività future

  • pubblicazione scientifiche:
    • manoscritto in preparazione: “Sample size determination for medical AI applications: the Learning Curve Fitting method for Deep Learning Detection and Prediction” …
  • Serie di seminari che si occupano di diversi aspetti del ML (e dell’apprendimento profondo, o Deep Learning) applicato a dati biomedici, accompagnati da lightning talks che presentano lavori dei vari membri del gruppo:
    • 13 marzo 2025, Relatore Marco Grangetto, Professore Ordinario presso il Dipartimento di Informatica dell’Università degli Studi di Torino
    • 4 Giugno 2025, Isotta Landi, Assistant Professor in the Department of Medicine at the Icahn School of Medicine at Mount Sinai

Scheda di presentazione approfondita: 

Machine_Learning_nella_ricerca_clinica_scheda_di_presentazioneDownload

Condividi questo articolo