Reti neurali per la biologia

Delle reti neurali conservo un bel ricordo. E’ stato uno degli argomenti della mia tesi di laurea. Per farla breve si trattava del progetto, a grandi linee, di un sistema di intelligenza artificiale, basato appunto sulle reti neurali, per fare diagnosi su grossi motori elettrici, intervenendo prima che i guasti fossero divenuti più seri e costosi. Le reti neurali, per chi non lo sapesse, sono un modello matematico (un insieme di formule, detto in modo semplicistico), ispirato al funzionamento dei neuroni cerebrali, con il quale si riesce a predire il comportamento di un sistema (fatto di più input e di uno o più output), grazie ad una procedura di addestramento (training) del modello. Proprio come il nostro encefalo impara dall’esperienza.

Furono ideate intorno agli anni ‘50 ma il loro uso è cresciuto sempre più grazie alla potenza di calcolo attuale. Tra le numerose applicazioni, quelle connesse alla biologia, alla medicina e quindi alla salute potrebbero portare notevoli rivoluzioni. Tant’è vero che Google ha fiutato queste possibilità e sta sperimentando un sistema del genere per prevedere età, pressione sanguigna e conseguenze del fumo in un individuo, solo analizzando una scansione della sua retina. I computer di Google ottengono informazioni dalla disposizione dei vasi sanguigni: da ciò si riesce anche a prevedere se si è a rischio di un attacco cardiaco imminente.  La ricerca utilizza le reti neurali cosiddette convoluzionali, un tipo di algoritmo denominato deep-learning che sta trasformando il modo in cui i biologi analizzano le immagini: esso prende spunto da come sono disposti i neuroni nella nostra corteccia visiva.

Ma Big G, con il suo Google Research dedicato, non si è fermato a questo. Quando voleva utilizzare il deep-learning per trovare mutazioni nei genomi, i suoi scienziati dovevano convertire frammenti di DNA in immagini digitali fruibili da un calcolatore. Quindi hanno addestrato la loro rete su questi frammenti, con riferimento ad un genoma con mutazioni note. Il risultato finale è stato DeepVariant, uno strumento software di recente uscita che può scovare piccole variazioni nelle sequenze di DNA. C'è da dire però che si è ancora lontani da una piena integrazione e multidisciplinarità al riguardo. Gli scienziati hanno faticato ad applicare l'informatica alla biologia a causa delle differenze culturali tra i campi. Più sale il livello di complessità nei due settori, più la comunicazione tra i corrispondenti scienziati risulta difficoltosa.

Anche i biologi cellulari presso l'Allen Institute for Cell Science di Seattle utilizzano reti neurali convoluzionali per convertire immagini bidimensionali di cellule, catturate con microscopi ottici, in immagini 3D, in cui alcuni degli organuli (parte del citoplasma) di una cellula sono etichettati a colori. Questo approccio elimina la necessità di colorare artificialmente le cellule, un processo che richiede più tempo e un laboratorio sofisticato, con il rischio di danneggiarle. A fine 2017 il gruppo ha pubblicato i dettagli di una tecnica avanzata in grado di prevedere la forma e la posizione di un numero elevato di parti cellulari, utilizzando solo pochi dati, come il contorno della cella stessa. Qualcosa di simile hanno fatto, già dal 2015, alla divisione di imaging del Broad Institute of MIT and Harvard a Cambridge. Un team ha iniziato a dare in pasto le immagini cellulari alle reti neurali convoluzionali; ad oggi esse elaborano circa il 15% delle immagini nella divisione. Si prevede che questo tipo di elaborazione diventerà il principale, sia in questo istituto che in altri nel mondo, nel giro di pochi anni.

Alcuni ricercatori ritengono che l'analisi di immagini con reti neurali, specie del tipo convoluzionale, possa rivelare sconosciuti fenomeni biologici. Tali scoperte, pur se occasionali, potrebbero aiutare a far progredire la ricerca su particolari patologie. Se il deep-learning potrà rivelare marcatori tumorali in una singola cellula, cambierebbe e migliorerebbe il modo in cui i ricercatori classificano la progressione del tumore. Ciò potrebbe a sua volta innescare nuove ipotesi su come il cancro si diffonde, e magari riuscire a prevederlo più in anticipo. Secondo Philip Nelson, direttore dell'ingegneria presso Google Research a Mountain View, la vera posta in palio sta nella possibilità che "le macchine riescano a vedere cose che gli umani non avevano mai individuato prima.". Forse è il caso di spingere su questa branca dell'intelligenza artificiale, piuttosto che su inutili robot da baraccone.

(fonte https://www.nature.com/articles/d41586-018-00004-w)

L’analisi del sentiment mediante immagini

Con l’avvento di internet e soprattutto dei social network molte cose sono cambiate nel rapporto tra grandi marchi e consumatori. Sono stati creati software dedicati ad analizzare quello che dice “la rete” riguardo ad un brand, un prodotto, un evento, oppure quando la gente fa di più una certa cosa, informazioni molto appetibile a pubblicitari e commerciali. Questo tipo di ricerca, automatizzata visti i milioni di utenti connessi, è stato definito coi termini anglosassoni sentiment analysis, che in italiano è diventato brutalmente analisi del sentiment (termine traducibile come emozione, sensazione, umore, oppure anche sentimento nell’accezione comune).

Il sistema di analisi si basa su ciò che gli internauti scrivono. Ora però, un team composto da ricercatori dell’Università della California e degli Yahoo Labs, guidati dal professor Xu, sta cercando di capire qual è l’umore delle persone anche tramite le immagini che vengono postate e caricate, utilizzando un algoritmo basato su reti neurali.  Queste reti sono dei modelli matematici composti da più formule, nelle quali ci sono dei parametri variabili modulati finemente durante un procedimento noto come addestramento o training, dove i dati di ingresso sono sottoposti un numero elevato di volte al modello, fino ad ottenere i dati di uscita molto vicini a quelli desiderati. Si tratta di un sistema già utilizzato per il riconoscimento automatico delle immagini, sempre più in crescita date le attuali potenze di calcolo disponibili.

I ricercatori americani sono partiti da un insieme di immagini suddivise in 1000 raggruppamenti, poi hanno preso moltissime foto dai social Tumblr e Twitter, già valutate per il sentiment su una scala a cinque punti di molto negativo, negativo, neutro, positivo e molto positivo. Il passo successivo è stato quello di creare ed addestrare una rete neurale che abbinasse la suddivisione iniziale con il sentiment associato alle immagini prese dai social. In sostanza, nel primo set di immagini si era a conoscenza di cosa conteneva la foto senza comprenderne il significato emozionale, nel secondo non si era interessati al contenuto ma era noto all’incirca cosa provava il soggetto fotografato o cosa trasmetteva lo scatto nel guardarlo. Alla prova dei fatti, la rete neurale creata dal professor Xu ha riportato risultati migliori delle attuali tecniche di analisi delle immagini, come ad esempio quella basata su caratteristiche visive di basso livello, tipo il colore e le sue tonalità, oppure come  SentiBank, un software che genera una descrizione completa di aggettivi per una foto e dà quindi l’idea di riconoscerne il sentimento.

Gli esperti di marketing e di comunicazione si staranno già leccando i baffi. Uno strumento del genere potrebbe superare le analisi fatte solo su frasi, messaggi e post, che hanno due grossi limiti: la dipendenza del senso dalla lingua in cui sono formulati e le influenze culturali su sarcasmo e l'ironia, problematiche inesistenti per le immagini. L’affidabilità quindi ne avrebbe un bel guadagno e, di conseguenza, il business di chi potrà usare questi nuovi sistemi. Per non dire dell’uso, oltre a quello corrente, che potrebbero farne i partiti politici nel misurare e anche reindirizzare l’opinione della gente a loro insaputa.

Ma è naturale pensare a quali altre possibilità potrebbe portare un sistema del genere, magari nella sua versione più evoluta. L’uso più banale sarebbe quello su un presunto colpevole, per capire qualcosa in più sulla verità in base alla sua espressione. Quello meno banale e anche un po’ inquietante, potrebbe essere la misurazione del livello di felicità delle persone. Ve lo immaginate, in un futuro spero più lontano possibile, un supercomputer che smaschera gli umani tristi, relegandoli da qualche parte, e fa prosperare solo coloro che i suoi algoritmi neurali giudicano come felici ?

(fonte http://www.technologyreview.com/view/533061/neural-network-rates-images-for-happiness-levels/ )