Presentazione al convegno regionale dell' AIOM (Ass. Italiana Oncologia Medica) su Intelligenza Artificiale in Oncologia

1. L'arte della medicina
La meccanica della mente
L'ingegneria della conoscenza
Come farle collaborare
Robert Alexander MD
Medico, designer, informatico
bob@ralexander.it
Convegno regionale AIOM
Lazio
Roma 28 Set 2021

2. • La medicina: arte, scienza, tecnologia, pratica … un poco tutte queste cose.

3. • Una singola equazione descrive deterministicamente la realtà fisica di tutto
l’universo.
• Il linguaggio usato per comunicare è univoco ed universalmente condiviso.
Scienza: fisica – Il modello standard

4. • La salute è una proprietà emergente di sistemi complessi e caotici che non si può
interamente descrivere in termini riduzionistici.
Medicina: un’arte basata sul metodo scientifico

6. • La complessità e la molteplicità di discipline sottostanti obbligano alla
specializzazione ma quindi anche alla comprensione parziale della salute.
• Il linguaggio usato per comunicare non è univoco ed universalmente condiviso.
• I valori del benessere sono una dimensione sociale, culturale, etica e religiosa.
• Senza una vera comunicazione rischiamo un arbitrario paternalismo.
Medicina: un’arte basata sul metodo scientifico

7. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione
• Il funzionamento di ognuno di questi aspetti in un soggetto sano è coerente alla coscienza
ma in realtà si è evoluto per gestire una realtà caotica e frammentaria
• Una caratteristica dell’intelligenza umana è quella di ottenere i migliori risultati possibili da
informazioni incomplete, frammentarie e talora contrastanti
Psicologia cognitiva sperimentale

8. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione
• Mascheramento saccadico
• La scacchiera di Adelson

9. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione
• La scacchiera di Adelson illustra una illusione ottica ma dovuta al modello della
fisica istintivo che sviluppiamo sin da bambini

10. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione

11. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione

12. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione

13. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione

14. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione
• A Universal Model of Diagnostic Reasoning - Croskerry, Pat -
Academic Medicine84(8):1022-1028, August 2009

15. Prevalenza Ca mammella 40-50 anni: 0.8%
Mammografia Sensibilità: 87.5%
Mammografia Specificità: 93%
Paziente riceve mammografia POSITIVA
Che probabilità ha di avere davvero il cancro?
0.8% 9% 50% 87.5% 93% 99% 100%
PPV = 7/77 (9%)
Prior = 0.8 -> Posterior 9%
Difficoltà bonus: le probabilità assolute
0.8% 9% 50% 87.5% 93% 99% 100%
Morgan DJ, Pineles L, Owczarzak J, et al. Accuracy of Practitioner Estimates of Probability of Diagnosis Before and After Testing. JAMA Intern Med. 2021;181(6):747–755.
doi:10.1001/jamainternmed.2021.0269

16. Morgan DJ, Pineles L, Owczarzak J, et al. Accuracy of Practitioner Estimates of Probability of Diagnosis Before and After Testing. JAMA Intern Med. 2021;181(6):747–755.
doi:10.1001/jamainternmed.2021.0269

17. Intelligenza artificiale: definizione e storia
Software che simula comportamenti intelligenti tra cui visione, linguaggio, decisioni etc.

18. Il Deep learning imita bene cose che gli umani fanno «intuitivamente» (type 1 reasoning)
e che spesso spieghiamo solo «a posteriori».
Il Deep Learning è particolarmente forte nel «Pattern matching». Ad esempio
«Visione»: Individuazione morfologica e riconoscimento entità addestrate
NLP: Identificazione entità e relazioni su base (senza «comprensione»).
Deep Learning: alcune caratteristiche

19. Machine/Deep learning: “intuitivo”

23. Natural Language Processing (NLP)

24. • Testi «medici»
• Individuali: anamnesi, cartella medica ed infermieristica, referti, consulenze
• Conoscenza: linee guida, PDTA, articoli scientifici etc.
• Altre info
• Esposizioni ambientali, comportamento, lavoro, situazione socio economica etc.
• Patient Generated Data: dati non strutturati e «small big data» da app e IoT, PREM/PROM, RWE
NLP: estrarre concetti da testo libero

25. n engl j med 379;15 nejm.org October 11, 2018

26. DB
Cross-linking
NLP
&
Deep learning
Network
Inference
Doctors
Researchers
DSS
platform
The graph enables reasoning and inference
Semantic graphs

27. n engl j med 379;15 nejm.org October 11, 2018

28. Information Technology e Medicina
• Poco tempo da dedicare ad ogni incontro
• Strumenti informatici filtrano il rapporto con i pazienti. Desktop medicine

29. Criticità da superare
«User Experience» antiquata e sistemi orientati a dati
«strutturati» orientati alla gestione
Dati frammentati, segregati in sistemi multipli, disallineati
e separati dalla loro semantica
Difficoltà di ottenere una «patient summarization»
orientata al problema soprattutto da dati «non strutturati»
Difficoltà nel reperire e contestualizzare velocemente
letteratura, linee guida ed altre fonti testuali
Difficoltà nel coordinamento multidisciplinare di PDTA in
particolare con comorbidità

30. «User Experience» antiquata e sistemi orientati a dati
«strutturati» orientati alla gestione
Dati frammentati, segregati in sistemi multipli, disallineati
e separati dalla loro semantica
Difficoltà di ottenere una «patient summarization»
orientata al problema soprattutto da dati «non strutturati»
Difficoltà nel reperire e contestualizzare velocemente
letteratura, linee guida ed altre fonti testuali
Difficoltà nel coordinamento multidisciplinare di PDTA in
particolare con comorbidità

31. Soluzioni e strumenti

32. • Possiamo occuparci solo della clinica e lasciare il nostro destino (e quello dei nostri
pazienti) in mano ad economisti, industria e legislatori che sanno poco sia dell’arte
che della scienza della medicina?

33. Riflessioni conclusive
• La medicina e la cura delle persone è una disciplina pratica basata
sull’evidenza empirica, sul processo scientifico, sulle scienze di base ma anche
sulla relazione e comunicazione umane (arte).
• Il modello riduzionistico da solo non può spiegare le proprietà emergenti dei
vari livelli della salute, anche se lo sviluppo della systems/network medicine
potrà contribuire a connotare meglio molti fenomeni.
• La cognizione e l’intelligenza umana si sono sviluppate per oltre 300K anni nell’
H.Sapiens per assicurare sopravvivenza e progenie. Nel mondo complesso ed
innaturale delle informazioni questi sistemi possono spesso trovarsi in
difficoltà.
• Una consapevolezza dei meccanismi, dei limiti e dei bias dei nostri
processi cognitivi ed emotivi possono aiutarci a sviluppare la
metacognizione che è lo strumento principale di miglioramento dei nostri
processi mentali.
• L’IA fornisce strumenti ed approcci utili per governare la complessità dei dati
relativi alla salute a patto di integrare le tante informazioni (non strutturate)
che oggi non sono trattate automaticamente.
• La varietà di approcci, tecniche, algoritmi, ed i limiti inerenti dell’IA, vanno
compresi correttamente, nelle loro caratteristiche e limiti per poterli usare
utilmente.
• L’utilizzo di IA ha il potenziale di liberare risorse dalla «desktop medicine» al
rapporto umano e terapeutico, aumentando la qualità dell’assistenza e del
lavoro degli addetti.
• La progettazione di sistemi a supporto della salute e dell’assistenza devono
coinvolgere tutti gli attori della condizione da migliorare. Multidisciplinarietà
obbligatoria.
• La validazione «in vivo e prospettica» dei sistemi di IA deve essere condotta
con il rigore ed i tempi del processo scientifico
• Senza una partecipazione attiva dei clinici nella ideazione, progettazione,
costruzione, implementazione delle tecnologie cognitive, la reale utilità e la
fiducia necessaria in questi sistemi non potrà materializzarsi.
Grazie
Robert Alexander MD
bob@ralexander.it

34. 1. Albert, Helen. ‘AI For Cancer Detection: Ready for Prime Time or Caution Advised?’ Clinical OMICs - Molecular Diagnostics in Precision Medicine (blog), 24 September 2021. https://www.clinicalomics.com/artificial-
intelligence/ai-for-cancer-detection-ready-for-prime-time-or-caution-advised/.
2. ScienceDaily. ‘Artificial Intelligence Learns Better When Distracted’. Accessed 26 September 2021. https://www.sciencedaily.com/releases/2021/07/210729183602.htm.
3. Bhome, Rohan, Andrew McWilliams, Jonathan D. Huntley, Stephen M. Fleming, and Robert J. Howard. ‘Metacognition in Functional Cognitive Disorder- a Potential Mechanism and Treatment Target’. Cognitive
Neuropsychiatry 24, no. 5 (3 September 2019): 311–21. https://doi.org/10.1080/13546805.2019.1651708.
4. Bhome, Rohan, Andrew McWilliams, Gary Price, Norman A. Poole, Robert J. Howard, Stephen M. Fleming, and Jonathan D. Huntley. ‘Metacognition in Functional Cognitive Disorder’, 25 June 2021.
https://doi.org/10.1101/2021.06.24.21259245.
5. Chen, Zhe. ‘Attentional Focus, Processing Load, and Stroop Interference’. Perception & Psychophysics 65, no. 6 (1 August 2003): 888–900. https://doi.org/10.3758/BF03194822.
6. De Silva, Daswin, and Damminda Alahakoon. ‘An Artificial Intelligence Life Cycle: From Conception to Production’. ArXiv:2108.13861 [Cs], 29 August 2021. http://arxiv.org/abs/2108.13861.
7. Fernandes, M. A., and M. Moscovitch. ‘Divided Attention and Memory: Evidence of Substantial Interference Effects at Retrieval and Encoding’. Journal of Experimental Psychology. General 129, no. 2 (June 2000):
155–76. https://doi.org/10.1037//0096-3445.129.2.155.
8. Freeman, Karoline, Julia Geppert, Chris Stinton, Daniel Todkill, Samantha Johnson, Aileen Clarke, and Sian Taylor-Phillips. ‘Use of Artificial Intelligence for Image Analysis in Breast Cancer Screening Programmes:
Systematic Review of Test Accuracy’. BMJ 374 (2 September 2021): n1872. https://doi.org/10.1136/bmj.n1872.
9. Gernsbacher, Morton Ann, and Melanie Yergeau. ‘Empirical Failures of the Claim That Autistic People Lack a Theory of Mind’. Archives of Scientific Psychology 7, no. 1 (2019): 102–18.
https://doi.org/10.1037/arc0000067.
10. Google AI Blog. ‘Google AI Blog’. Accessed 26 September 2021. http://ai.googleblog.com/.
11. Grasso, Matteo, Larissa Albantakis, Jonathan P. Lang, and Giulio Tononi. ‘Causal Reductionism and Causal Structures’. Nature Neuroscience, 23 September 2021, 1–8. https://doi.org/10.1038/s41593-021-00911-8.
12. ScienceDaily. ‘How a Racing Heart May Alter Decision-Making Brain Circuits: Body-State Monitoring Neurons Can Hijack the Decision-Making Process’. Accessed 26 September 2021.
https://www.sciencedaily.com/releases/2021/08/210830140224.htm.
13. News-Medical.net. ‘Insufficient Evidence to Support the Replacement of Human Radiologists with AI for Breast Cancer Screening’, 2 September 2021. https://www.news-medical.net/news/20210902/Insufficient-
evidence-to-support-the-replacement-of-human-radiologists-with-AI-for-breast-cancer-screening.aspx.
14. Aeon. ‘Is There a Symmetry between Metacognition and Mindreading? | Aeon Essays’. Accessed 26 September 2021. https://aeon.co/essays/is-there-a-symmetry-between-metacognition-and-mindreading.
15. studylibit.com. ‘La nuova validazione italiana del test di Stroop’. Accessed 26 September 2021. https://studylibit.com/doc/950419/la-nuova-validazione-italiana-del-test-di-stroop.
16. Onthewards. ‘Paternalism In Medicine & The Impact Junior Doctors Can Have’, 4 June 2016. https://onthewards.org/what-impact-can-junior-doctors-have-on-paternalism-in-medicine/.
17. Pereira, Alfredo. ‘What The Cognitive Neurosciences Mean To Me’. Mens Sana Monographs 5, no. 1 (2007): 158–68. https://doi.org/10.4103/0973-1229.32160.
18. Pilgrim, Matthew J. D., Zhen-Yi Andy Ou, and Madeleine Sharp. ‘Exploring Reward-Related Attention Selectivity Deficits in Parkinson’s Disease’. Scientific Reports 11, no. 1 (21 September 2021): 18751.
https://doi.org/10.1038/s41598-021-97526-7.
19. Plumer, Brad, Ezra Klein, David Roberts, Dylan Matthews, Matthew Yglesias, and Timothy B. Lee. ‘Technology Is Changing How We Live, but It Needs to Change How We Work | The New New Economy’. Vox.com,
26 September 2016. https://www.vox.com/a/new-economy-future/technology-productivity.
20. Poeppel, David, George R. Mangun, and Michael S. Gazzaniga, eds. The Cognitive Neurosciences. 6th ed. Cambridge, MA, USA: MIT Press, 2020.
21. Reyna, Valerie F. ‘A New Intuitionism: Meaning, Memory, and Development in Fuzzy-Trace Theory’. Judgment and Decision Making 7, no. 3 (May 2012): 332–59.
22. Reyna, Valerie F., Jonathan C. Corbin, Rebecca B. Weldon, and Charles J. Brainerd. ‘How Fuzzy-Trace Theory Predicts True and False Memories for Words, Sentences, and Narratives’. Journal of Applied Research in
Memory and Cognition 5, no. 1 (1 March 2016): 1–9. https://doi.org/10.1016/j.jarmac.2015.12.003.
23. Rivers, Theodore. ‘Technology’s Role in the Confusion of Needs and Wants’. Technology in Society - TECHNOL SOC 30 (31 January 2008): 104–9. https://doi.org/10.1016/j.techsoc.2007.10.001.
24. ‘SQ2. What Are the Most Important Advances in AI? | One Hundred Year Study on Artificial Intelligence (AI100)’. Accessed 26 September 2021. https://ai100.stanford.edu/2021-report/standing-questions-and-
responses/sq2-what-are-most-important-advances-ai.
25. jnd.org. ‘Technology First, Needs Last’, 5 December 2009. https://jnd.org/technology_first_needs_last/.
26. jdlm.info. ‘The Mathematics of 2048: Optimal Play with Markov Decision Processes’, 18 March 2018. http://jdlm.info/articles/2018/03/18/markov-decision-process-2048.html.
27. Yoo, Seng Bum Michael, and Benjamin Yost Hayden. ‘Economic Choice as an Untangling of Options into Actions’. Neuron 99, no. 3 (1 August 2018): 434–47. https://doi.org/10.1016/j.neuron.2018.06.038.

37. Li, R.C., Asch, S.M. & Shah, N.H. Developing a delivery science for artificial intelligence in healthcare. npj Digit. Med. 3, 107 (2020).