Cogliere prima i segnali dei bambini
Nosis è un laboratorio di ricerca che portiamo avanti con la Dott.ssa Valentina Fioretti, specializzanda in pediatria, dove il machine learning incontra la pediatria e la neurologia.
Il laboratorioChe cosa facciamo
Il cervello dei bambini lascia segnali molto prima che qualcuno sappia dire che cosa significano. Nosis costruisce modelli che leggono quei segnali e, cosa altrettanto importante, stabilisce fino a che punto ci si possa fidare.
FlatNine porta l’ingegneria: pipeline di dati, infrastruttura di addestramento, valutazioni che reggono il confronto con uno statistico. La Dott.ssa Fioretti porta la domanda clinica, lo standard di annotazione e il giudizio su che cosa significhi un risultato al letto del paziente. Nessuna delle due metà funziona da sola: un modello che va bene su un benchmark che nessuno ha chiesto non è ricerca, e nemmeno lo è un’intuizione clinica che non si può misurare.
Lavoriamo sul supporto decisionale: strumenti che redigono una bozza, segnalano o descrivono, perché un clinico li validi. Nulla di ciò che costruiamo conclude qualcosa da solo, e nulla di ciò che costruiamo è in uso sui pazienti.
FondatoriChi lo porta avanti
Definisce la domanda, lo standard di annotazione e il giudizio su che cosa significhi un risultato al letto del paziente. Stabilisce quando un numero è abbastanza buono da contare e quando non lo è.
Costruisce le pipeline, l’infrastruttura di addestramento e la valutazione, comprese le parti che fanno crollare un risultato promettente alla validazione esterna.
MetodoCome lavoriamo
La domanda è quella che un clinico deve davvero decidere: vale la pena guardare meglio questa registrazione, che aspetto ha questo pattern, è questo il reperto che un lettore stanco si perderebbe. Non quello che il dataset rende comodo misurare.
Un numero ottenuto sul corpus di addestramento descrive quel corpus. Noi testiamo su dati di un altro ospedale, un altro Paese e un’altra macchina, e citiamo quel numero per primo, anche quando è molto peggiore.
Dove un modello è peggiore di un umano, diciamo di quanto. Dove un risultato poggia su quattro pazienti, diciamo quattro. Sono i risultati negativi a dire che cosa costruire dopo.
Feature interpretabili e descrizioni da template battono un modello opaco che non sa spiegare una segnalazione. Chi legge deve poter vedere perché lo strumento ha detto quello che ha detto.
Ricerca in corsoSu che cosa stiamo lavorando
Rilevamento di scariche intercritiche su EEG di superficie di routine
Leggere un EEG di routine cercando l’anomalia fra una crisi e l’altra, dicendo apertamente dove il modello non è ancora abbastanza buono.
Traiettorie motorie nella SMA pediatrica trattata precocemente
Che cosa succede ai bambini individuati dallo screening neonatale e trattati nelle prime settimane, e quale fattore separa davvero i loro esiti.
ContattiLavorare con noi
Ci interessano collaboratori clinici con dati annotati, e domande la cui risposta cambierebbe qualcosa in sala di refertazione.
Scrivici