Prevedere il decorso delle malattie con metodi statistici

L'ipoglicemia nei diabetici di solito non avviene per caso. Così come un titolo azionario crolla senza motivo. Entrambe possono quindi essere previste, almeno in teoria. In pratica, però, tali previsioni hanno avuto successo solo in rarissimi casi. Tuttavia, se Alexander Marx riuscirà a portare a termine il suo progetto, in futuro le cose cambieranno per i bambini affetti da diabete di tipo 1: "Stiamo lavorando a modelli di previsione che dovrebbero riconoscere in anticipo se l'ipoglicemia è imminente durante la notte", spiega il borsista dell'ETH AI Center. "Se i bambini sono molto attivi fisicamente durante il giorno, i loro livelli di zucchero nel sangue possono scendere sotto una soglia critica durante il sonno. Questo rischio potrebbe essere evitato con un modello di previsione affidabile".

Rendere visibili le reti causa-effetto

Marx lavora su questo tema nel gruppo di ricerca di Julia Vogt sulla scienza dei dati medici. "Vengo da un background più teorico e finora ho lavorato principalmente con dati generati artificialmente. Il Centro AI mira a far incontrare teoria e pratica. Lo trovo entusiasmante. Ora devo far funzionare i concetti teorici con i dati reali".

Marx ha conseguito le sue qualifiche scientifiche presso la Saarland University di Saarbrücken, in Germania. Dopo aver conseguito un diploma di master in bioinformatica, ha lavorato sulla scoperta causale come parte della sua tesi di dottorato presso il Max Planck Institute for Computer Science, che ha sede lì. Questi metodi statistici sono ammessi per creare i cosiddetti grafici causali dai dati di osservazione, che visualizzano le reti di causa-effetto.

Derivare previsioni dalle correlazioni

Ad esempio, i dati di un sondaggio vengono utilizzati per identificare tutti i fattori che si presume abbiano una correlazione con una determinata variabile. Un esempio generale è la dipendenza del reddito di una persona dall'età, dal luogo di domicilio, dal sesso, dalla formazione, dallo stato civile o dal numero di figli. Sulla base delle correlazioni trovate, è possibile fare previsioni per le persone che non sono state intervistate. Non è nemmeno necessario conoscere l'intera catena delle dipendenze, come spiega Marx. ? sufficiente determinare il più piccolo insieme di fattori che sia sufficiente per una previsione.

Dai dati sintetici alla realtà clinica

Con questi metodi e con il supporto dell'intelligenza artificiale, Marx ha utilizzato dati simulati per studiare come sono collegate le attività di circa 500 geni selezionati in una cellula umana. Idealmente, questi metodi potranno essere ampliati in futuro per includere tutti i circa 25.000 geni di una cellula. Queste analisi computerizzate delle reti geniche fornirebbero rapidamente e facilmente alla ricerca biologica e medica una comprensione completa dei processi in una cellula. Ottenere lo stesso risultato con gli esperimenti di laboratorio richiederebbe uno sforzo enorme. Ogni gene dovrebbe essere spento individualmente utilizzando strumenti di ingegneria genetica e poi si dovrebbero misurare gli effetti sull'attività di tutti gli altri geni.

Per i progetti che Marx sta affrontando presso l'AI Centre, deve portare i metodi di scoperta causale a un nuovo livello di complessità. In collaborazione con il Centro di IA, Marx deve portare i metodi di scoperta causale a un nuovo livello di complessità: invece di set di dati osservazionali completi o di dati sintetici, come nel caso dell'espressione genica, ora lavora con dati reali provenienti dalla pratica clinica. Questo rende il compito significativamente più difficile, come l'informatico si è presto reso conto: "Nella realtà, spesso mancano singole informazioni, valori misurati o interi set di dati e la raccolta varia sempre da ospedale a ospedale e talvolta anche da medico a medico".

Eliminare le correlazioni irrilevanti

I dati clinici che Marx analizza per il suo modello di previsione in collaborazione con i medici dell'Ospedale pediatrico universitario di Basilea (UKBB) comprendono serie temporali di pulsazioni e livelli di glucosio nel sangue, oltre a informazioni sull'attività fisica, sull'assunzione di calorie, sulle iniezioni di insulina e sulla qualità del sonno. Il primo passo consiste nel filtrare i dati ed escludere dal modello tutte le correlazioni non correlate alla domanda di ricerca.

Per poter formulare in futuro prognosi solide e comprensibili per un medico curante, il numero di fattori deve essere mantenuto il più basso possibile. In ogni caso, non è ancora possibile prevedere se il modello avrà successo nella pratica: "Con il nostro progetto ci stiamo avventurando in aree che non abbiamo ancora padroneggiato con i metodi decisi".

Vicinanza alla natura, alle montagne e alle comunità di arrampicatori

In ogni caso, il giovane ricercatore ha iniziato con successo a Zurigo: "Quando sono arrivato qui per la prima volta in autunno, mi sono sentito subito a casa. La città è molto bella e si può essere in montagna in un attimo". L'appassionato di arrampicata sportiva ama particolarmente la vicinanza alla natura e alle montagne. "Quando arrampico riesco a staccare la spina. I miei pensieri sono completamente concentrati sulle prese. E poi c'è la compagnia. A Saarbrücken era ancora lontano dalle montagne e quindi praticava principalmente il bouldering al chiuso. Ora non vede l'ora di poter trascorrere più tempo sul terreno alpino da Zurigo.

Altamente internazionale e interdisciplinare

A Marx il Centro AI piace tanto quanto la città di Zurigo e i suoi dintorni: "Il centro è eccezionalmente internazionale. C'è anche la diversità delle specializzazioni. ? impressionante e stimolante poter discutere con luminari di diverse discipline scientifiche su un piano di parità nella vita quotidiana".

Tuttavia, la natura interdisciplinare dell'AI Centre non si limita ai contatti sociali. Oltre alla bioinformatica Julia Vogt, Marx ha un co-mentore, Peter Bühlmann, specializzato in statistiche ad alta dimensionalità, che possono essere utilizzate per esaminare insiemi di dati in cui molte caratteristiche sono assegnate a ciascun oggetto. Questo include anche i dati diabetici che Marx analizza. Esiste anche una collaborazione istituzionalizzata con il gruppo di informatica biomedica di Gunnar R?tsch, che conduce ricerche all'interfaccia tra apprendimento automatico e bioinformatica.

Apprendimento da diverse fonti di dati

Lo stesso Marx non è attivo solo in un'area tematica. In un altro progetto, sta lavorando sul cosiddetto apprendimento multimodale. L'obiettivo è trovare somiglianze tra dati provenienti da fonti diverse. Ad esempio, i risultati di una PET (tomografia a emissione di positroni), che visualizza le anomalie nel metabolismo dei tessuti in tre dimensioni, devono essere combinati con i risultati di una TAC (tomografia computerizzata) basata sui raggi X, che rivela le anomalie negli strati di tessuto strato per strato.

Una combinazione automatizzata dell'analisi dei due metodi di imaging mediante l'apprendimento automatico potrebbe far progredire in modo significativo la diagnostica dei tumori. La visione è quella di un sistema di intelligenza artificiale che trovi le somiglianze nei due set di dati e ne tragga diagnosi e prognosi affidabili.

Acquisizione di un'esperienza iniziale come docente

Il giovane accademico è attualmente in attesa della sua prima conferenza, che terrà questo semestre estivo insieme ai colleghi dell'AI Center: "Mi è sempre piaciuto lavorare con gli studenti e gli studenti del Master dell'ETH sono di alto livello. Marx potrà quindi non solo affinare le sue competenze scientifiche nell'ambito della sua borsa di studio, ma anche fare la sua prima esperienza come docente.

Marx non vuole ancora azzardare previsioni concrete sul proprio futuro. "Dopo le mie prime esperienze, sono fiducioso che il periodo trascorso all'ETH mi preparerà bene per entrambe le opzioni di carriera - scienza e industria".