Una nuova tecnologia renderà la diagnosi dermatologica più inclusiva, equa eaffidabile grazie all’Intelligenza Artificiale. Si tratta di “Skin Disease Image Generator for Different Skin Shades”, un generatore di immagini sintetiche di malattie cutanee su diverse tonalità di pelle, sviluppato con l’obiettivo di colmare la sottorappresentazione delle pelli scure nei dataset medici. Questi dataset sono spesso raccolti in aree a prevalenza caucasica, presentando una conseguente scarsità di dati relativi a fototipi scuri. Una carenza che può compromettere l’accuratezza diagnostica per ampie fasce della popolazione e favorire fenomeni di diagnosi errate.
L’obiettivo è rendere l’IA più trasparente e giusta
Per il suo contributo a un’AI più inclusiva e affidabile, la tecnologia è stata riconosciuta come “
Excellent Innovation”
dalla Commissione Europea. Lo “Skin Disease Image Generator” è uno dei traguardi del progetto europeo
AEQUITAS, finanziato dal programma Horizon Europe e coordinato dall’Università di
Bologna,
i cui risultati finali saranno annunciati a ottobre. Il progetto è nato per rispondere a una delle sfide più urgenti dell’era digitale: rendere l’Intelligenza Artificiale più
trasparente, giusta,
rispettosa dei
diritti fondamentali e antropocentrica
.
Utilizzato un dataset clinico reale
“Siamo orgogliosi del riconoscimento ottenuto”, dichiara Roberta Calegari, professoressa al Dipartimento di Informatica – Scienza e Ingegneria dell’Alma Mater e coordinatrice del progetto. “Questo risultato premia l’eccellenza scientifica e tecnologica del lavoro svolto e dimostra il valore della collaborazione multidisciplinare tra esperti di Intelligenza Artificiale, medicina, scienze sociali e giuridiche. L’innovazione – continua – risponde in modo concreto a una sfida critica nel campo dell’IA applicata alla salute: la scarsa rappresentazione delle diverse tonalità cutanee nei dataset medici ad oggi in uso, che può compromettere l’equità e l’affidabilità dei sistemi di supporto alla diagnosi”. Lo strumento è frutto di uno studio condotto su un dataset clinico reale caratterizzato da immagini di qualità variabile e da una scarsa presenza delle tonalità cutanee più scure.
Colmata la lacuna della scarsa rappresentazione delle tonalità cutanee
Le soluzioni tradizionali si sono dimostrate inefficaci, proprio a causa della bassa qualità dei dati disponibili. Per superare questo limite, ricercatrici e ricercatori hanno adottato un approccio in due fasi: prima la generazione di immagini sintetiche realistiche tramite un modello generativo avanzato; poi la classificazione delle malattie con modelli di deep learning. Il risultato è un sistema più accurato, equo e inclusivo, validato su dati clinici reali. “Attraverso la generazione di dati sintetici realistici, la tecnologia – dice Calegari – consente di colmare la lacuna della scarsa rappresentazione delle diverse tonalità cutanee, rendendo possibile l’addestramento e la validazione di modelli predittivi più inclusivi, anche in scenari dove i dati reali sono insufficienti o non bilanciati. Questo approccio rappresenta una leva fondamentale per costruire soluzioni di IA capaci di agire in modo responsabile, rispettando i principi di non discriminazione e giustizia sociale promossi anche dall’AI Act europeo”.
I diversi ambiti applicativi di AEQUITAS
AEQUITAS affronta diversi ambiti applicativi: dall’uso dell’IA per prevedere il rendimento scolastico o il rischio di abbandono precoce – analizzando come tali sistemi possano talvolta rafforzare le disuguaglianze socio-economiche – fino all’uso dell’IA in ambito recruiting e nell’ambito della diagnosi medica, per promuovere una maggiore equità sanitaria. Accanto allo “Skin Disease Image Generator”, la Commissione Europea ha premiato anche una seconda innovazione nata nella cornice del progetto, riconoscendolo come key innovator per “AEQUITAS software for fair-by-design AI systems”: una metodologia concreta per supportare sviluppatori, decisori politici e stakeholder in tutte le fasi della progettazione e dell’implementazione, integrando il concetto di equità come requisito trasversale in ogni fase del processo di sviluppo di un sistema di intelligenza artificiale.
