The Albany Gazette - Malattie pelle, da UniBo Ai più equa per diagnosi più inclusiva

Rendere l'Intelligenza Artificiale più trasparente, giusta, rispettosa dei diritti fondamentali e antropocentrica, per realizzare una diagnosi dermatologica più inclusiva, equa e affidabile. Ciò è possibile grazie a "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. Uno dei traguardi del progetto europeo Aequitas, finanziato dal programma Horizon Europe e coordinato dall'Università di Bologna, il progetto "Skin Disease Image Generator" ha l'obiettivo di superare la scarsità di dati relativi a fototipi scuri, dovuta alla maggiore raccolta in aree a prevalenza caucasica. 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. Le soluzioni tradizionali si sono dimostrate inefficaci, e i 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. "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", afferma Roberta Calegari, coordinatrice del progetto. 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.

(A.Moore--TAG)