Conoscersi per fare rete
Università degli Studi di Roma “Foro Italico”
Roma, 11 novembre 2024
Intervengono, in ordine di presentazione, prof. Andrea Macaluso (responsabile di laboratorio), prof. Valentina Camomilla, prof. Giuseppe Vannozzi, dott. Valeria Belluscio, dott. Riccardo Borzuola, prof. Federico Mari.
Nei prossimi dieci minuti vi introdurrò ai metodi informatici che possono essere applicati nell’ambito della salute e in quello delle scienze motorie e sportive. Talvolta mi succede che le persone mi dicano “Non ti capisco quando parli, ma mi fido!” Ecco, no: oggi vorrei che dopo avermi ascoltato, voi mi diceste invece “Ho capito, ma non mi fido!” Questa è l’attitudine che porta allo scontro, al dialogo e quindi alle collaborazioni. E le collaborazioni sono il motivo per cui siamo tutti qui oggi.
L’informatica è la scienza che più si presta ad integrarsi con le altre discipline in quanto fornisce metodi che ben si adattano a risolvere i problemi in modo automatico, per ottenere nuove informazioni, per fare previsioni, spesso a partire da dati, che possono essere di ogni tipo, dalle analisi cliniche ai segnali provenienti da sensori, dalle mutazioni genetiche ai post pubblicati sui social, dalla dinamica di un drone ai testi e immagini iconografiche delle metamorfosi di Ovidio. Ma quali sono i fili conduttori dei contesti che ho appena nominato?
I metodi informatici che uniscono questi contesti, che ci permettono di collaborare, e che riguardano la mia attuale attività di ricerca, sono tre. In primo luogo, dare una struttura ai dati, metodo che chiamerò modellizzazione. Poi, sfruttare algoritmi noti per imparare automaticamente dai dati, a cui mi riferirò con apprendimento automatico. Infine, creare nuovi algoritmi per garantire proprietà di sicurezza su sistemi reali, metodi che chiamerò metodi formali. Modellizzazione. Apprendimento automatico. Metodi formali.
Per dare una struttura ai dati si deve avere ben chiaro il dominio che stiamo affrontando, per capire gli oggetti di studio e le relazioni che insistono su queste entità. La modellizzazione attraverso diagrammi entità-relazione è la base per sviluppare algoritmi efficienti, siano essi per una semplice ricerca o per fare statistica oppure per l’apprendimento automatico, che tratteremo nel seguito.
Una prima applicazione di strutturazione dei dati è stata nell’ambito della ricostruzione del legamento crociato anteriore dove, insieme a Ivan Dimauro (laboratorio di biologia e genetica) ed Elena Bergamini, abbiamo creato un database per contenere le cartelle cliniche di un centinaio di pazienti del prof. Pier Paolo Mariani, a Villa Stuart1. Database che è stato poi integrato con i pazienti del dott. Guglielmo Torre, sempre di Villa Stuart, ora anche dottorando presso questo ateneo, in questo laboratorio. Questa modellizzazione, se da un lato fornisce la possibilità di una ricerca più efficace di dati relativi ai pazienti, dall’altro pone le basi per la creazione di modelli di predizione, come vedremo.
Un’altra attività di modellizzazione nel contesto della salute ha riguardato la catalogazione di molecole che vengono utilizzate nel trattamento di alcune malattie genetiche causate da misfolding di proteine, come ad esempio l’Alzheimer2. Queste molecole si chiamano “chaperon” e stimolano le proteine affette a sviluppare un corretto folding. In collaborazione con Allegra Via e Stefano Pascarelli del Dipartimento di Scienze Biochimiche “Fanelli” di Sapienza, abbiamo sviluppato un database per la catalogazione di chaperon farmacologici noti, altrimenti reperibili attraverso lunghe ricerche bibliografiche. Anche questa modellizzazione, come quella per il crociato con Villa Stuart, fornisce uno strumento di consultazione rapida per bio-informatici e altri interessati, ma pone anche le basi per la creazione di modelli di predizione.
Talvolta i dati sono davvero tanti ma non hanno una struttura nota a priori, essendo soltanto blob di testo, da cui è difficile ricavare relazioni, ma a ben guardare, qualche informazione la portano sempre con sé. Sto parlando di big data. Un’applicazione in questo ambito si colloca nelle scienze sociali, condotta con Francesca Romana Lenzi (laboratorio di psicologia e processi sociali nello sport), con l’analisi di milioni di tweets collezionati nel periodo della pandemia da Covid-19 nell’area urbana di Roma3. L’informazione che questi tweets portano con sé è importante, ed è la geo-localizzazione, utile e necessaria per lo studio della urban vibrancy, concetto importante non solo dal punto di vista sociologico – dove si aggregano maggiormente le persone che utilizzano i social? – ma anche per uno sviluppo urbano sostenibile – le strutture urbane sono adeguate in quei luoghi di aggregazione?
Un’ultima applicazione di modellizzazione che vorrei raccontarvi è nel contesto della storia dell’arte, in collaborazione con Claudia Cieri Via del Dipartimento di storia dell’arte e spettacolo della Scuola di Alta Specializzazione di Sapienza (SASS). La finalità di questa attività è la realizzazione di un database che contenga testi, analisi, e immagini iconografiche relative alle Metamorfosi di Ovidio4. In primo luogo, il risultato sarà uno strumento di divulgazione per interessati, ma più a lungo termine, l’obiettivo è quello di fornire uno strumento di consultazione bibliografica per storici dell’arte, che fornisca anche spunti di ricerca basati sull’Intelligenza Artificiale (notate come abbia tardato così tanto a pronunciare queste due parole, e capirete perché).
Una delle capacità più attraenti dei metodi informatici di oggi è quella di fornire algoritmi che partano dai dati per apprendere modelli statistici che aiutino nelle previsioni. L’apprendimento automatico (anche detto machine learning) è ciò di cui sto parlando, ed è il passo successivo a una corretta modellizzazione della struttura dei dati.
Nel contesto del legamento crociato anteriore, a partire dai dati di Villa Stuart, abbiamo realizzato un modello in grado di prevedere il livello di guarigione a sessanta giorni dall’intervento, con un’accuratezza fino al 70%. In altri termini, quando si presenta un nuovo paziente, si fanno gli esami di laboratorio, si prendono le misure funzionali (circonferenza del ginocchio, range of motion, etc), e a partire da questi dati nuovi il modello è in grado di prevedere se dopo 60 giorni dall’operazione, quel paziente sarà guarito oppure no, e lo fa con una precisione del 70%.
Altre applicazioni di apprendimento automatico si hanno in presenza di segnali provenienti da sensori. Un primo esempio si ha con i sensori inerziali (IMU), in cui la tecnica standard prevede che si estraggano alcune caratteristiche numeriche che rappresentano le onde provenienti dai sensori. Una collaborazione in tal senso è stata con Valentina Camomilla, Elena Bergamini e altri, in cui a partire dal segnale proveniente da un sensore inerziale installato sul busto di un vogatore, l’apprendimento automatico ci ha permesso di creare un sistema che distingua automaticamente tra vogate buone e vogate cattive, con una precisione del 93%. Questo stesso metodo di apprendimento automatico potrà poi essere usato in una collaborazione in corso con Andrea Nicolò e Massimo Sacchetti (laboratorio di fisiologia dell’esercizio) per segnali provenienti da sensori su magliette, che misurano la frequenza respiratoria5.
Parlando di futuro, ho intenzione da un lato di investigare l’utilizzo dell’apprendimento automatico per suggerire nuovi farmaci per il trattamento di malattie rare, a partire dal database sugli chaperon farmacologici (utile per i progettisti farmacologici), dall’altro di sperimentare l’IA generativa, tipo ChatGPT, per testi e icone relative alle Metamorfosi di Ovidio, a partire dal database summenzionato (utile per gli storici dell’arte).
Uscendo dal contesto delle scienze motorie e della salute, quando si produce una tecnologia critica come un braccio chirurgico, un’automobile, un aereo, o un drone, questa tecnologia deve garantire che nessuno si farà male! È questo l’obiettivo dei metodi formali, ossia la certificazione che un sistema (hardware e software insieme) non creerà mai problemi alle cose e alle persone che lo usano.
In questo ambito si colloca l’ultima attività di cui voglio parlarvi, che sto portando avanti assieme a Davide Bresolin e Matteo Zavatteri, colleghi informatici del Divertimento di Matematica dell’Università di Padova, e che unisce i metodi formali con l’apprendimento automatico, nel contesto della generazione di software di controllo. L’obiettivo è quello di progettare un nuovo algoritmo che corregga un modello creato con l’apprendimento automatico a partire dai dati – statistico per definizione –, affinché il risultato finale rispetti alcune caratteristiche, dando così la garanzia che non creerà alcun problema alle cose o alle persone che lo usano.
In conclusione, modellizzazione, apprendimento automatico e metodi formali sono i metodi informatici che supportano le collaborazioni che ho attive e che spero possano fare da filo conduttore per nuove collaborazioni future con tutti voi.
[SIAMOC 2024] P. Liuzzi, E. Nesi, S. Campagnini, F. Mari, I. Dimauro, N. Carta, J. Rocchi, E. Bergamini, A. Mannini, and P. P. Mariani. Predicting 60-day recovery outcomes after ACL surgery using machine learning [Abstract presentation]. In XXIV Congresso della Società Italiana di Analisi del Movimento in Clinica (SIAMOC), Stresa, 2024.
[BITS 2024] D. Parrone, F. Mari, A. Marabotti, C. Carta, S. Pascarella, and A. Via. A database of pharmacological chaperones used for the treatment of rare conformational diseases [Poster presentation]. In Bioinformatics ITalian Society annual meeting (BITS), Trento, Italy, 2024.
[VIBRANCY 2024] F. R. Lenzi, C. C. De Falco, and F. Mari. Urban vibrancy in Roma’s neighbourhoods: A case study. In G. Masullo and G. Maiello, editors, Rethinking social theories and methods in a digital society, pages 115–127. McGraw-Hill Education, 2024.
[SENSORS 2024] L. Innocenti, C. Romano, G. Greco, S. Nuccio, A. Bellini, F. Mari, S. Silvestri, E. Schena, M. Sacchetti, C. Massaroni, and A. Nicolò. Breathing monitoring in soccer: Part I - validity of commercial wearable sensors. Sensors, 24(14):4571, 2024. doi: 10.3390/S24144571.
[IEEE-TIE 2022] I. Melatti, F. Mari, T. Mancini, M. Prodanovic, and E. Tronci. A two-layer near-optimal strategy for substation constraint management via home batteries. IEEE Trans. Ind. Electron., 69(8):8566–8578, 2022. doi: 10.1109/TIE.2021.3102431.
[IJERPH 2022] C. Antinozzi, E. Grazioli, M. De Santis, F. Motta, P. Sgro, F. Mari, C. Mauri, A. Parisi, D. Caporossi, G. Duranti, R. Ceci, L. Di Luigi, and I. Dimauro. The preventive role of physical activity in systemic sclerosis: A cross-sectional study on the correlation with clinical parameters and disease progression. International Journal Of Environmental Research And Public Health, 19(16), 2022. doi: 10.3390/ijerph191610303.
[JLAMP 2021] T. Mancini, F. Mari, A. Massini, I. Melatti, and E. Tronci. On checking equivalence of simulation scripts. J. Log. Algebraic Methods Program., 120:100640, 2021. doi: 10.1016/J.JLAMP.2021.100640.
[APPL-AI 2021] F. Mari, A. Massini, I. Melatti, and E. Tronci. A constraint optimization-based sense and response system for interactive business performance management. Appl. Artif. Intell., 35(5):353–372, 2021. doi: 10.1080/08839514.2020.1843833.
[INF 2021] I. Melatti, F. Mari, I. Salvo, and E. Tronci. Visualisation of control software for cyber-physical systems. Inf., 12(5):178, 2021. doi: 10.3390/INFO12050178.
[MeMeA 2021] E. D’Angelantonio, L. Lucangeli, V. Camomilla, F. Mari, G. Mascia, and A. Pallotti. Classification-based screening of phlebopathic patients using smart socks. In IEEE International Symposium on Medical Measurements and Applications (MeMeA), Lausanne, Switzerland, 2021. IEEE, 2021. doi: 10.1109/MEMEA52024.2021.9478688.