Letture per il finesettimana #8

[pubblicato originariamente su Scienza in rete il 6 novembre 2020]

Buon venerdì,
questa settimana parliamo di equazioni differenziali, di archeologia glaciale, di accesso delle minoranze alla ricerca scientifica, degli errori commessi dalla politica nonostante l’incredibile risposta di medici e scienziati di fronte alla pandemia, degli eventi di superdiffusione del SARS-CoV-2 e, infine, del futuro della scienza americana in attesa dell’esito del voto.
Buona lettura e al prossimo venerdì (per segnalare questa newsletter agli amici ecco il link per l’iscrizione)

1 Risolvere uno dei problemi matematici più difficili con il deep learning
Le equazioni differenziali alle derivate parziali (PDE) descrivono fenomeni che evolvono nel tempo e nello spazio. Sono capaci di rappresentare la dinamica dei fluidi, le orbite dei pianeti o il movimento delle placche tettoniche. Ma risolverle è uno dei problemi matematici più difficili in assoluto. Un gruppo di ricercatori del California Institute of Technology ha sviluppato un algoritmo di deep learning capace di trovare le soluzioni di intere famiglie di PDE senza essere ri-allenato ed è 1000 volte più veloce dei metodi tradizionali [MIT Technology Review]

2 Lo scioglimento dei ghiacciai rivela reperti archeologici che sarebbero altrimenti rimasti segreti ma allo stesso tempo rischia di farli perdere per sempre
Con lo scioglimento dei ghiacci causato dal riscaldamento globale stanno venendo alla luce artefatti antichi perfettamente conservati, creando una nuova scienza, quella della archeologia glaciale. Ma i ghiacci si sciolgono a un ritmo accelerato e per gli archeologi è iniziata una corsa contro il tempo per salvare questi tesori così fragili [The Guardian]

3 L’accesso alla ricerca scientifica è ancora largamente precluso alle minoranze, come neri e donne, ma non sappiamo quanto perché mancano i dati
Le più grandi case editrici scientifiche hanno dichiarato di aver intrapreso delle politiche di integrazione verso i gruppi minoritari che pubblicano meno sulle loro riviste, ma solo due hanno raccolto dei dati sull’argomento. Si tratta dell’American Association for the Advancement of Science, che pubblica Science, e la Royal Society. In entrambi i casi gli autori si sono identificati come bianchi nel 70-80% dei casi. Le cose non sono molto diverse se si guarda ai dipendenti di queste case editrici o all’identità di genere invece che alla composizione etnica. Per cambiare le cose però, occorre prima di tutto raccogliere più dati a riguardo [The New York Times]

4 Nel libro ‘The COVID-19 catastrophe’ Richard Horton, direttore della rivista The Lancet, racconta il successo della scienza e il fallimento della politica
Già alla fine di gennaio la comunità medica e scientifica cinese documentava, in giornali scientifici in inglese e di alto livello, le caratteristiche cliniche della malattia causata dal nuovo coronavirus, confermava la possibilità di trasmissione da persona a persona e quantificava il carico a cui sarebbero state sottoposte le terapie intensive. Una risposta incredibile e la prova di una rinascita seguita alla terribile gestione dell’epidemia di SARS nel 2002-2003. Nonostante questo, i governi occidentali, soprattutto gli Stati Uniti, non sono stati in grado di essere conseguenti, in parte per sottovalutazione del problema e in parte per strutturale incapacità dei loro sistemi sanitari di affrontare una crisi del genere [LSE Impact Blog]

5 Il ruolo degli eventi di superdiffusione nell’epidemia di SARS-CoV-2
Alla fine di febbraio la società farmaceutica Biogen ha tenuto la sua consueta conferenza annuale a Boston. Uno dei partecipanti era stato infettato dal nuovo coronavirus e probabilmente lo ha trasmesso a 97 persone, tra gli altri partecipanti e i loro conviventi. Uno studio recente ha stimato che la catena di contagio di quell’evento potrebbe aver coinvolto decine di migliaia di persone solamente nella zona di Boston. L’indice Rt, di cui sentiamo tanto parlare, indica quante persone vengono contagiate da una persona infetta in media. Ma l’esperienza insegna che per la COVID-19, così come per molte altre malattie infettive, la maggior parte delle persone non trasmettono il virus a nessuno e una piccola percentuale è responsabile dalla maggioranza delle infezioni. Questo ha due conseguenze in termini pratici: è importante limitare le occasioni che favoriscono fenomeni di superdiffusione (spazi chiusi, affollati e senza distanziamento) e tracciare i contatti all’indietro piuttosto che in avanti (ovvero cercare di capire dove una persona si è infettata piuttosto che capire chi ha infettato) [Science]

6 La scienza americana attende il risultato del voto presidenziale col fiato sospeso
×  I quattro anni passati hanno causato talmente tanti danni alla scienza e alle politiche informate dalla scienza, che ci vorranno decenni per recuperare [Science]
×  La gestione della pandemia è stato il culmine di una serie di politiche che hanno sistematicamente ignorato le prove scientifiche [Nature]
×  Ma alcuni scienziati, hanno avuto commenti positivi sui quattro anni della presidenza Trump, soprattutto dal punto dei vista dei fondi. Nonostante i ripetuti tentativi del presidente di tagliare i finanziamenti pubblici di diverse agenzie di ricerca federali, il Congresso si è opposto [Science]
×  L’ambito in cui Trump ha fatto più danni è sicuramente quello delle politiche ambientali. Mercoledì, il giorno dopo le elezioni, gli Stati Uniti sono ufficialmente usciti dall’accordo di Parigi. Se Biden vincesse, basterebbe una sua firma per rientrare, ma gli impegni che potrebbe portare sul tavolo della conferenza delle parti dipenderebbero anche e soprattutto dal Congresso [Vox]

Diagnosi automatizzate: dalla COVID-19 al tumore al seno

[pubblicato originariamente su Scienza in rete il 23 ottobre 2020]

Due settimane fa un gruppo di ricercatori cinesi ha pubblicato sulla rivista Nature Communications uno studio in cui mostra le performance di un sistema di intelligenza artificiale nel diagnosticare la COVID-19 a partire dalle immagini di tomografia computerizzata dei polmoni, distinguendola da altre tre patologie: le polmoniti causate dall’influenza stagionale, le polmoniti non virali e altri tipi di lesioni diverse dalle polmoniti. Si tratta solo dell’ultimo di una serie di sistemi di intelligenza artificiale messi a punto negli ultimi mesi per diagnosticare la COVID-19, che potrebbero diventare utili se i sistemi sanitari sottoposti a pressione esagerata non fossero più in grado di effettuare tempestivamente i test molecolari (quelli che cercano tracce dell’RNA virale nei campioni prelevati tramite tampone naso-faringeo). Questi sistemi di lettura automatizzata potrebbero poi essere modificati per funzionare anche su radiografie polmonari, un metodo diagnostico facilmente disponibile anche nei Paesi meno sviluppati.

Non solo. Potrebbero servire anche a individuare con un po’ di anticipo i pazienti che andranno incontro a un decorso più severo e che necessiteranno di essere intubati, permettendo così agli ospedali di gestire meglio le loro risorse. A fine settembre uno di questi sistemi, sviluppato dalla società Dascena di San Francisco, ha ottenuto l’approvazione per uso in caso di emergenza da parte della Food and Drug Administration, l’agenzia del farmaco statunitense.

I sistemi di intelligenza artificiale per la diagnosi e il triage dei casi di COVID-19 sono solo gli ultimi esempi di una serie di algoritmi di machine learning che hanno trovato numerose applicazioni nelle attività di diagnostica per immagini, a cominciare dalla diagnosi dei tumori. Analizzare immagini mammografiche o biopsie di diversi tipi di tessuto alla ricerca di formazioni cellulari anomale o veri e propri tumori si è dimostrato un compito particolarmente facile per questo tipo di algoritmi, che spesso hanno superato in bravura radiologi e patologi con anni di esperienza. Il caso più studiato è sicuramente quello del tumore al seno, ma sono stati ottenuti risultati importanti anche per i tumori del polmone e della pelle.

L’obiettivo è classificare l’immagine diagnostica in un numero finito di categorie. Nei casi semplici sarà sufficiente discriminare fra solo due gruppi, sano o malato, in quelli più complessi bisognerà considerare diversi tipi di anomalie, da quelle benigne a quelle più aggressive. Il successo dell’intelligenza artificiale è arrivato proprio con lo sviluppo di algoritmi particolarmente capaci in questa attività di classificazione delle immagini.

Continua a leggere Diagnosi automatizzate: dalla COVID-19 al tumore al seno

Sono un robot e vengo in pace

[pubblicato originariamente su Scienza in rete il 18 settembre 2020]

La scorsa settimana il Guardian ha pubblicato un editoriale scritto dal software per la generazione di linguaggio GPT-3, il più potente in circolazione. I redattori hanno fornito a GPT-3 alcune frasi di input, il cosiddetto prompt, che descrivevano il compito assegnato: comporre un saggio che convincesse i lettori che l’intelligenza artificiale non è una minaccia per l’umanità. Leggendo il testo, appare plausibile che sia stato scritto da un essere umano, anche se gli argomenti a sostegno della tesi si susseguono in maniera un po’ sconnessa (GPT-3 ha svolto il compito otto volte e i redattori hanno combinato e corretto queste otto versioni ottenendone una finale, un po’ come avrebbero fatto per un editoriale scritto da una persona).

La pubblicazione del Guardian ha riacceso il dibattito cominciato poco prima dell’estate, quando un gruppo di esperti ha avuto accesso a GPT-3, l’ultimo generatore di linguaggio della società OpenAI. Il dibattito ruota attorno a due domande. La prima è: quanto siamo vicini a sviluppare una intelligenza artificiale generale? Con l’espressione intelligenza artificiale generale (in inglese artificial general intelligence, AGI) ci si riferisce a una macchina con i poteri di apprendimento e di ragionamento della mente umana. La seconda domanda è: GPT-3 rappresenta un pericolo per l’umanità? Senza l’ambizione di voler rispondere a queste due domande – che francamente corrono il rischio di suonare mal poste, le prendiamo come pretesto per chiederci quali direzioni stia prendendo la ricerca nel campo dell’intelligenza artificiale e quale sia il nostro rapporto con l’automazione, sia come individui che come società. La prima ci permetterà infatti di capire quanta importanza stanno acquisendo i dati a discapito della teoria. La seconda invece ci spingerà ad analizzare gli aspetti politici e sociologici di questa area.

Continua a leggere Sono un robot e vengo in pace