Human Life cycle management (DFM.AD006.107)

Area tematica

Scienze fisiche e tecnologie della materia

Area progettuale

Struttura responsabile del progetto di ricerca

Istituto di Scienze Applicate e Sistemi Intelligenti "Eduardo Caianiello" (ISASI)

Responsabile di progetto

COSIMO DISTANTE
Telefono: 0832 1975300
E-mail: cosimo.distante@cnr.it

Abstract

L'utilizzo delle convolutional neural networks nella medicina moderna cominciano a essere degne di nota, particolarmente al "prospective healthcare" nell'analisi dell'electronic medical records (EMR), che contiene lo stato di salute del paziente.
Recentemente, nel settore sanitario, architetture non supervisionate basate su deep autoencoders, sono state proposte per apprendere una rappresentazione compatta di pattern di normalità provenienti da EHR (articolo su Nature Scientific Report, "Deep Patient" riportato sotto), con lo scopo di individuare modelli predittivi accurati. La superiorità di tale approccio rispetto alle tecniche tradizionali di machine learning di rappresentazione dei dati è ampiamente documentata, dimostrando essere un framework di machine learning utile per sviluppare sistemi clinici decisionali più robusti.
Il progetto si inquadra nell'ambito del: Titolo II Capo 1 "Aiuti ai programmi di investimento promossi da Grandi Imprese da concedere attraverso Contratti di Programma Regionali" - progetto fase accesso: "Human Life Cycle Management"- Codice Progetto: J0JPUD5 (Regione Puglia)

Obiettivi

Studio di modelli non supervisionati di reti neurali di tipo "deep", come deep autoencoders e convolutional neural networks per dati mono e multi dimensionali, che descrivono lo stato di salute di ciascun paziente.
L'obbiettivo è istituire un laboratorio di ricerca congiunto con l'Azienda Infotel srl, partecipante al raggruppamento HLCM Codice Progetto: J0JPUD5 con soggetto proponente Dedalus SPA.
Il laboratorio congiunto avrà tra gli obbiettivi, lo sviluppo di nuovi modelli computazionale per la Sanità.

Data inizio attività

01/01/2017

Parole chiave

deep learning, e-health, artificial intelligence

Ultimo aggiornamento: 13/12/2024