Un progetto di: HEAL ITALIA, Università di Bologna, Università di Firenze
Nel campo della medicina di precisione, l’adozione di metodologie di apprendimento auto-supervisionato (SSL) si è dimostrata promettente nel ridurre la dipendenza da dati etichettati e nel migliorare le capacità di generalizzazione rispetto ai tradizionali approcci di apprendimento supervisionato.
Nonostante questi progressi, le attuali tecniche SSL sono state sviluppate principalmente per essere applicate con dati di qualsiasi ambito e sono tipicamente valutate utilizzando dataset generici come ImageNet. Recenti studi hanno evidenziato la superiorità dei metodi SSL personalizzati per le applicazioni mediche rispetto alle controparti che prescindono dall’ambito di applicazione. Questo progetto presenta un framework innovativo progettato per facilitare la creazione di metodologie SSL specializzate e adattate a diversi contesti medici.
Obiettivi e benefici
Il progetto offre un framework innovativo per sviluppare metodologie di apprendimento auto-supervisionatospecifiche per la medicina di precisione, riducendo la dipendenza da dati etichettati e migliorando le capacità di generalizzazione.
Questo approccio personalizzato permette di ottenere modelli più accurati e robusti per diverse applicazioni mediche, potenziando la diagnosi e il trattamento dei pazienti. I benefici includono una maggiore efficienza nell’elaborazione dei dati medici, l’accelerazione dei progressi nella ricerca medica e una migliore adattabilità a contesti clinici specifici.
Tecnologie abilitanti
Il supercalcolo è fondamentale per lo sviluppo del progetto permettendo di addestrare modelli SSL complessi su grandi set di dati medici in tempi ridotti, migliorando la loro accuratezza e capacità di generalizzazione, potenziando allo stesso tempo le metodologie SSL personalizzate per la medicina di precisione.