Diagnosi in da’ Cloud

Il cloud computing a supporto del lavoro medico-oncologico

Argomento difficile, lo dico subito: parlo di malattie e di come un calcolatore può aiutare lo staff medico a stabilire se un paziente possa avere una determinata patologia o no. Spero di non urtare la sensibilità personale, la premessa è che questo lavoro è di ricerca ed è indirizzato primariamente a medici oncologi come supporto, e non sostituzione, alla loro competenza diagnostica.

Sono rimasto affascinato dall’idea di una ragazza statunitense che ha vinto quest’anno il Google Science Fair. Sto parlando di tecnologie nuove? No. Sto parlando di qualcosa che è sconosciuto alla comunità “bioinformatica”? Neppure (questo link è un articolo del 1995 di D. B. Fogel et al. in cui già si usava la medesima tecnica, sul medesimo set dell’Università del Wisconsin usato dalla vincitrice, database datato 1992, in cui il success rate della rete neurale di Fogel nell’identificazione era già stabilmente oltre il 97%). Allora per quale motivo tanto entusiamo? Perché trovo bello che una ragazzina dimostri, col proprio lavoro, che in Cloud si possono portare agevolmente applicazioni importanti.

L’idea di base è relativamente semplice: esiste un tipo di rete neurale, chiamato MultiLayer Perceptron che è capace di trovare correlazioni di tipo non lineare tra i dati. Questo lo “impara” tramite un insieme di dati usati per l’addestramento (o training) e che sono confermati tramite un insieme di validazione. Ad esempio: se ho cento diagnosi per cui sono valutati otto parametri per diagnosi, potrei chiedermi quale sia il grado di correlazione tra la variazione dei parametri e la diagnosi. E potrei addestrare una rete neurale a questo scopo, stabilendo, per esempio, che il mio training set è di ottanta diagnosi e quindi il mio validation set di venti. Se la mia rete neurale discrimina correttamente le venti diagnosi di validazione al più con un errore piccolo, allora posso dire che la mia rete neurale è ben addestrata e sottoporle casi nuovi. Il problema quindi si scinde nel trovare la forma della rete migliore e quindi nell’addestrare ciascuna rete in modo ottimo.

Il fascino che provo per il lavoro di Brittany Wenger consiste nel vedere una ragazza molto giovane impegnarsi per capire una tecnica relativamente semplice (tutto è semplice quando lo si capisce!), implementarla in Cloud (mi sento di dire da non specialista che mi sembra questo l’unico dato di novità del suo lavoro), e metterla a disposizione. Lei ha vinto lo Science Fair perché ha prodotto un utilizzo delle reti neurali, ripeto, in Cloud, per diagnosticare se la biopsia è ragionevolmente classificabile come benigna o no, inserendosi in un filone di lavoro notevolmente corposo, ma che non mi sembra a oggi essere stato portato sulla nuvola.

Mi piace notare come una giovane abbia colto diverse potenzialità che il Cloud fornisce.
Innanzitutto nel Cloud ha trovato un ambiente in cui ha potuto simulare, dal proprio portatile, un numero arbitrariamente largo d’istanze, su una base dati arbitrariamente ampia. Lei riferisce sette milioni di trial. Ha dimostrato, col proprio lavoro, che le competenze informatiche di programmazione per aver a che fare col Cloud sono abbastanza comuni. Ha programmato in Java con Eclipse e il Google Application Engine, quindi niente linguaggi di programmazione esotici o “tecnologie strane”. Non si è dovuta preoccupare né di come l’infrastruttura fosse fatta, né di come fosse interconnessa in rete: ha scritto per il Cloud il proprio codice e si è preoccupata solo di questo. E per giunta ha in programma di rendere il suo software interrogabile As a Service. Se c’è riuscita lei…