.jpg)
Esplora alcuni degli attuali ostacoli che l'IA incontra al giorno d'oggi nell'assistenza sanitaria.
Anche se non ve ne rendete conto, l'intelligenza artificiale (AI) è utilizzata da milioni di persone ogni giorno. Dai viaggi all'immobiliare, dalla produzione alle banche, l'IA ha iniziato a sostituire compiti gravosi, analisi complesse e tutto il resto. Se venissero integrate completamente nel sistema sanitario, tecnologie innovative come l'IA e l'intelligenza artificiale potrebbero rivoluzionare il settore. crionica potrebbero rivoluzionare il settore. Ma la strada è ancora lunga. L'IA ha appena iniziato a infiltrarsi nel settore sanitario e ci sono ancora diversi ostacoli alle applicazioni più intensive. Qui approfondiamo alcune delle maggiori sfide che l'IA deve affrontare oggi nel settore sanitario.
L'IA si è integrata profondamente in molti settori importanti. Oltre all'uso nella logistica, nell'intrattenimento, nei viaggi e nel commercio elettronico, l'IA sta lentamente venendo introdotta nelle strutture mediche. Oggi l'IA viene utilizzata per semplificare le attività di routine, come la fatturazione dei pazienti, la categorizzazione e la contabilità delle entrate. L'IA aiuta anche nella gestione delle strutture.
Nelle applicazioni mediche più pratiche, l'intelligenza artificiale può essere utilizzata per segmentare le immagini a raggi X e suggerire trattamenti basati su test diagnostici o dati. Questo migliora l'efficienza, ma non significa che non abbiamo più bisogno di medici o infermieri. Le attuali applicazioni dell'IA in ambito sanitario riguardano principalmente compiti che rendono la vita degli operatori sanitari più semplice ed efficiente. Non sostituiscono l'individuo.
Inoltre, gli strumenti di intelligenza artificiale non devono essere confusi con l'assistenza robotica. I robot medici sono spesso utilizzati in chirurgia per ridurre le dimensioni dell'incisione, attenuare i rischi e diminuire le cicatrici, ma sono supervisionati da un chirurgo o da un medico. La robotica può anche migliorare i dispositivi protesici per gli amputati e aiutare a pulire e disinfettare. Sebbene tutti i robot medici abbiano integrato la tecnologia dell'intelligenza artificiale, non tutta la tecnologia AI è sotto forma di robot.
Mentre si prevede che le soluzioni sanitarie basate su algoritmi cresceranno da 6,7 miliardi di dollari nel 2020 a 120,8 miliardi di dollari entro il 2028 [10], ci sono ancora diverse sfide da affrontare. Non solo l'IA nell'assistenza sanitaria deve rispettare gli standard etici e proteggere i dati sensibili dei pazienti, ma deve anche migliorare definitivamente i risultati dei pazienti per poter essere adottata. Per comprendere meglio la battaglia in salita che persiste, si considerino alcune delle seguenti sfide legate all'adozione di strumenti di IA nel settore sanitario.
Al momento non esiste un metodo standard per testare, monitorare, analizzare e inserire i dati raccolti attraverso gli strumenti di IA nel settore sanitario. Ognuno cerca di creare il proprio software di IA da utilizzare nella propria regione o struttura. Questo rende difficile confrontare i risultati e migliorare i processi di deep learning.
Inoltre, molti strumenti di IA per l'assistenza sanitaria sono sviluppati da ricercatori di IA che non hanno competenze mediche o da ricercatori medici che non hanno competenze di IA [6].
Per il successo futuro dell'apprendimento automatico nel settore sanitario, è necessaria la standardizzazione dei dati. I ricercatori devono adottare un approccio collaborativo alla progettazione dell'IA e lavorare insieme per migliorare i modelli esistenti, piuttosto che cercare di sviluppare modelli unici per applicazioni personali. Come afferma Technology Review, "lo sforzo collettivo dei ricercatori di tutto il mondo ha prodotto centinaia di strumenti mediocri, piuttosto che una manciata di strumenti adeguatamente addestrati e testati" [6].
Per combattere l'attuale mancanza di standardizzazione, la società no-profit MITRE Corporation ha proposto uno Standard Health Record (SHR). Questo sistema delineerebbe un modo specifico, di alta qualità e computabile di raccogliere le informazioni sui pazienti. Purtroppo, a causa degli elevati costi di adozione, l'incentivo a implementare l'SHR e a lavorare insieme è basso.
Quando si cerca qualcosa online, i risultati sono automatizzati. Il processo è identico al 100% per chiunque faccia la stessa ricerca. Google utilizza l'intelligenza artificiale per queste ricerche e parole chiave diverse generano risultati diversi. Questo tipo di interoperabilità non esiste attualmente nelle strutture sanitarie.
Come già detto, i medici non hanno un metodo di registrazione standardizzato. Non esiste un modo sistematico di inserire i dati nei sistemi elettronici o nei database. Anche se due medici utilizzassero le stesse metriche per misurare i dati dei pazienti, i dettagli sui livelli di stress, sul sonno e sulla dieta non vengono raccolti di routine. Eppure questi fattori possono avere un impatto sulle condizioni o sulle malattie sottostanti.
Al momento, questo crea metriche di prestazione incompatibili per le applicazioni di intelligenza artificiale. Le informazioni raccolte non sono né complete né uniformi tra i diversi database, il che può influenzare in modo significativo le risposte e le previsioni dell'apprendimento automatico. Quando i dati non possono essere interpretati, non possono essere utilizzati in modo sicuro.
Nel 2019, quasi il 75% delle strutture sanitarie ha dichiarato di essere "oltre un livello fondamentale di interoperabilità, ovvero la capacità di scambiare dati tra i sistemi di registrazione, ma non necessariamente di interpretare le informazioni" [11].
Per un uso più efficace dell'IA in ambito sanitario, i modelli e i risultati del deep learning devono essere facilmente integrati nel flusso di lavoro di tutti i professionisti del settore medico. I dati medici devono essere compatibili tra le diverse piattaforme per migliorare l'interoperabilità e l'accesso.
La digitalizzazione delle cartelle cliniche ha creato un ampio set di dati, ma i segmenti mirati sono ancora incredibilmente piccoli. Anche gli studi clinici sull'uso dell'IA nel settore sanitario sono limitati, con soggetti che vanno da 50 a 1.000 pazienti [1]. Anche se esistono dati relativi a milioni di persone, dopo aver filtrato i risultati in base a sintomi, metriche o dati demografici, è possibile che i risultati comprendano solo poche centinaia di migliaia di persone o meno [1]. E questo è lo scenario migliore. Ciò che accade di solito è che i dati non vengono trasferiti tra le strutture, a causa della mancanza di interoperabilità. Questo riduce ulteriormente la standardizzazione della ricerca e delle informazioni sui pazienti.
Pertanto, una delle maggiori sfide nello sviluppo e nella sperimentazione di potenziali modelli per l'IA in ambito sanitario è la mancanza di dati di qualità utilizzati per sviluppare strumenti di apprendimento automatico. Quando l'IA viene costruita utilizzando dati provenienti da fonti sconosciute o da individui poco rappresentati, può alterare il processo di apprendimento profondo e quindi i risultati [7].
Un esempio interessante è quello in cui l'intelligenza artificiale sviluppata per COVID-19 ha utilizzato un set di dati che, secondo un articolo di Technology Review, "conteneva scansioni del torace di bambini non affetti da covidosi come esempio di come apparivano i casi non covidici" [6]. Il risultato è stato un'intelligenza artificiale che ha imparato a identificare i bambini, non il covide in sé.
Si tratta di un problema comune nell'IA del settore sanitario. Quando gli strumenti di apprendimento automatico utilizzano dati di scarsa qualità, non ottengono una rappresentazione accurata dei dati del mondo reale.
Inoltre, commettono errori per quanto riguarda la correlazione e la causalità. Dati migliori avrebbero un enorme impatto sul successo degli strumenti futuri. Creerebbero un'intelligenza artificiale medica non distorta o distorta e consentirebbero previsioni migliori in base alle circostanze individuali.
Uno dei modi migliori per migliorare la qualità dei dati è creare un metodo standardizzato di raccolta e analisi. I "laghi di dati connessi", dati senza restrizioni schematiche, potrebbero aiutare a raggiungere questo obiettivo [8]. Altrimenti, i dati non adeguatamente formattati o documentati continueranno a ostacolare il processo di IA in ambito sanitario e le sue potenziali applicazioni.
La negligenza medica è responsabile di migliaia di morti non necessarie ogni anno. Negli Stati Uniti, è responsabile in media di 40.000-80.000 decessi all'anno [5]. In Germania, la malpractice medica è responsabile di 19.000 decessi all'anno [12]. Molti di questi errori di malasanità derivano da errori di diagnosi. Sebbene l'integrazione di strumenti di intelligenza artificiale possa migliorare l'accuratezza delle diagnosi, non si tratta di un sistema infallibile.
Queste carenze sono state messe in luce dopo che sono stati condotti due importanti studi per valutare gli strumenti di IA predittiva recentemente sviluppati nel settore sanitario. Laure Wynants e i suoi colleghi hanno valutato 232 diversi algoritmi per la diagnosi dei pazienti e la previsione della gravità della loro malattia, nessuno dei quali è stato ritenuto adatto all'uso clinico [7].
Risultati simili sono stati riscontrati per gli strumenti di intelligenza artificiale costruiti per aiutare a diagnosticare la COVID-19 e a prevedere il rischio dei pazienti. Una revisione scientifica condotta da Derek Driggs e dai suoi colleghi ha esaminato 415 diversi modelli di apprendimento automatico, principalmente quelli che ruotano intorno alla diagnosi e alla previsione della COVID-19. Anche in questo caso, ha riscontrato che nessuno era adatto all'uso clinico [7]. Anche in questo caso, ha riscontrato che nessuno era adatto all'uso clinico [7]. Alcuni strumenti sviluppati per la COVID-19 hanno persino creato disuguaglianze e pregiudizi in relazione alla scienza dei dati, a causa della mancanza di campionamento da parte di alcuni gruppi, come le minoranze o gli individui con uno status socioeconomico basso [6]. Secondo i ricercatori, questo potrebbe portare a "ricerche e politiche distorte che esacerbano le disuguaglianze preesistenti" [6].
Sebbene queste revisioni abbiano stabilito che gli strumenti di IA non sono pronti per l'uso clinico, sia Wynants che Driggs ritengono che l'IA abbia il potenziale per aiutare il settore sanitario. Deve solo essere costruita e testata nel modo giusto.
Quando i medici commettono un errore o non forniscono il livello standard di assistenza, possono essere citati in giudizio per negligenza medica. Gli errori in campo sanitario possono essere mortali, ma chi è responsabile se l'errore è dovuto all'elaborazione dell'intelligenza artificiale? Questo pone una questione di etica e di regolamentazione.
Le norme sulla privacy richiedono trasparenza, il che può influire sul successo dello sviluppo dell'IA nelle varie nazioni. Poiché ogni Paese o regione deve rispettare normative specifiche, è difficile aggregare i dati senza superare una linea etica (e talvolta illegale). Inoltre, gli ospedali spesso firmano accordi di non divulgazione con i fornitori di IA medica, impedendo loro di discutere gli algoritmi o il software che stanno utilizzando [6]. Questo complica ulteriormente le questioni normative.
Nel tentativo di aumentare la trasparenza, l'Organizzazione Mondiale della Sanità ha recentemente pubblicato il documento "Ethics and Governance of Artificial Intelligence for Health". Etica e governance dell'intelligenza artificiale per la salute. Il documento mira a identificare le sfide e i rischi etici e a delineare sei principi di consenso per garantire che l'IA funzioni a beneficio pubblico di tutti i Paesi. Include inoltre raccomandazioni per la governance e la responsabilità dell'IA.
Più dati l'intelligenza artificiale elabora, più complicato diventa l'algoritmo. Più complicato (o approfondito) diventa l'algoritmo, migliore è il risultato. Quindi, più dati = risultati migliori. Tuttavia, più questo processo diventa complesso, più è difficile per gli operatori sanitari capire come o perché gli strumenti di IA hanno ottenuto i loro risultati. Ciò rende difficile determinare i passi successivi.
Gli strumenti di IA lavorano in una "scatola nera", quindi spesso c'è una grande mancanza di trasparenza, soprattutto quando si utilizzano modelli di apprendimento profondo. Molti operatori sanitari non hanno idea di cosa venga misurato e come. Questo pone la questione dell'efficacia e dell'accuratezza. Il problema della scatola nera è il motivo principale per cui le persone esitano a fidarsi e ad accettare l'uso dell'IA nell'assistenza sanitaria.
L'IA spiegabile(XAI) è stata creata per risolvere questo problema. I metodi XAI mostrano la giustificazione di come sono arrivati a una particolare soluzione [2]. Tuttavia, sono necessari ulteriori sviluppi per superare completamente il problema della trasparenza.
L'Health Insurance Portability and Accountability Act(HIPPA) è stato creato con quattro obiettivi principali. Questi obiettivi includono:
Esistono inoltre diverse leggi sulla privacy molto severe, soprattutto per i dati sanitari raccolti nei Paesi europei. Il Regolamento generale sulla protezione dei dati(GDPR) tutela i dati personali, rendendone straordinariamente difficile, se non impossibile, la condivisione per lo sviluppo dell'IA. Alcune organizzazioni sono state addirittura citate in giudizio per il presunto mancato rispetto di determinati standard di privacy.
La tecnologia AI deve essere salvaguardata e protetta per tutelare la privacy dei dati dei pazienti. Tuttavia, i dati dell'intelligenza artificiale devono anche seguire i pazienti nel corso di un programma di cura a lungo termine . Questo è necessario per comprendere meglio i fattori di rischio, le condizioni mediche, i sintomi e gli effetti a lungo termine . Questo approccio longitudinale alla ricerca richiede un impegno continuo, difficile da gestire con le norme sulla privacy. La situazione si complica ulteriormente se il paziente si sposta da un luogo (o da un Paese) all'altro.
Se i ricercatori riusciranno a superare le sfide sopra descritte, gli strumenti di IA potrebbero rivoluzionare il settore sanitario. Potrebbero aiutare i medici a identificare i pazienti a rischio di sviluppare malattie croniche o complicazioni gravi, a migliorare il processo diagnostico complessivo e a creare una rete di competenze condivise a disposizione dei medici di tutto il mondo. Ciò potrebbe salvare vite umane, ridurre i costi delle cure mediche e offrire una migliore esperienza complessiva al paziente.
Alcuni strumenti di intelligenza artificiale potrebbero aggregare e analizzare i dati di milioni di pazienti. Altri strumenti potrebbero analizzare i consigli o le esperienze di centinaia di migliaia di medici in tutto il mondo. Combinati insieme, questi strumenti potrebbero rivoluzionare il modo in cui vengono fatte le diagnosi e somministrati i trattamenti.
È improbabile che gli strumenti di IA sostituiscano completamente i medici, ma potrebbero aiutare i professionisti del settore medico a eccellere in aree di cura altrimenti inaccessibili. Gli strumenti di IA potrebbero contribuire a estendere la portata e le capacità dei medici, aumentando così la loro capacità di curare milioni di pazienti. L'IA medica può anche contribuire a ridurre i costi dell'assistenza sanitaria.
Una delle applicazioni più probabili della tecnologia AI nel settore sanitario è rappresentata dalle attività amministrative o banali. L'IA potrebbe essere utilizzata per catturare il parlato dal vivo e dettare informazioni importanti in un formato di note standardizzato. Le note potrebbero poi essere caricate su database. In questo modo i medici potrebbero concentrarsi maggiormente sui pazienti e meno sul prendere appunti.
L'intelligenza artificiale in campo medico ha il potenziale per aumentare l'attenzione dei medici e i casi individuali, contribuendo a ridurre gli errori medici e a migliorare l'assistenza ai pazienti. Utilizzando le informazioni raccolte durante le riunioni, i dispositivi di intelligenza aumentata sarebbero più vantaggiosi se utilizzati in modo collaborativo. È improbabile che l'IA sostituisca i medici. Piuttosto, li integrerebbe e aumenterebbe i loro punti di forza.
Un'elaborazione diagnostica più rapida migliora l'assistenza e il comfort del paziente. Inoltre, consente di identificare e monitorare costantemente i pazienti ad alto rischio. VitalEye è una soluzione di intelligenza artificiale già in uso. Grazie alla tecnologia di visione computerizzata, è possibile rilevare e monitorare rapidamente la respirazione, riducendo così il tempo di preparazione del paziente a meno di un minuto [8]. I dispositivi indossabili possono monitorare ulteriormente la salute dei pazienti da remoto.
Altri sistemi potrebbero utilizzare i documenti medici e i risultati diagnostici dei pazienti per aiutare a prevedere la mortalità, il prolungamento dell'assistenza ospedaliera o il rischio di dover ricorrere a cure intensive [10]. I dispositivi indossabili possono migliorare la previsione dei sintomi precoci, aiutando a valutare il rischio di complicazioni. Ciò potrebbe essere particolarmente utile per i pazienti affetti da malattie cardiache o sottoposti a riabilitazione per ictus. I dispositivi indossabili possono anche essere utilizzati per aiutare le aziende del sitocrionica a ricevere una notifica quando un membro è in condizioni critiche o se il suo battito cardiaco si ferma. Ciò potrebbe contribuire a una maggiore qualità criopreservazione.
Gli strumenti strategici di IA potrebbero migliorare ulteriormente il processo di valutazione diagnostica o di rilevamento delle infezioni. I modelli di apprendimento profondo potrebbero analizzare volumi più elevati di dati, immagini e scansioni dei pazienti per contribuire a fornire informazioni su potenziali diagnosi. I sistemi di rete possono lavorare con diverse tomografie computerizzate per migliorare il rilevamento delle infezioni e la diagnosi delle malattie.
Sebbene esistano ancora delle sfide, l'IA medica ha il potenziale per contribuire ad accelerare il processo diagnostico. Questo sta già diventando una realtà. Si pensi al team di ricercatori di Philips e del Centro medico universitario di Leida(LUMC). Hanno sviluppato un modello di apprendimento profondo che ha permesso di eseguire la risonanza magnetica per immagini otto volte più velocemente rispetto agli standard attuali [8].
Molte applicazioni reali di questa tecnologia sono attualmente in fase di sperimentazione. Ad esempio, un nuovo studio dimostra che, combinando l'intelligenza artificiale con una tecnologia di imaging avanzata, i tumori cerebrali possono essere diagnosticati in meno di tre minuti durante l'intervento chirurgico [15].
I ricercatori della Tulane University hanno anche scoperto che "l'intelligenza artificiale può rilevare e diagnosticare con precisione il cancro del colon-retto... come o meglio dei patologi" [13]. La diagnosi può essere effettuata più precocemente e con tassi di accuratezza più elevati.
Le applicazioni si estendono anche ad altri tipi di cancro. Uno studio condotto dai ricercatori della New York University ha rilevato che gli strumenti di intelligenza artificiale "hannoaumentato del 37% la capacità dei radiologi di identificare con precisione il cancro al seno" [14]. Questo miglioramento nell'individuazione è stato accompagnato anche da una diminuzione del tessuto necessario per il campionamento.
L'intelligenza artificiale potrebbe anche contribuire a migliorare il settore criopreservazione. La crioconservazione preserva cellule e tessuti abbassando la temperatura del nucleo a livelli inferiori al congelamento senza la formazione di ghiaccio. Tuttavia, attualmente questo processo presenta diverse sfide, soprattutto per quanto riguarda il danno cellulare e la vitalità dopo il riscaldamento.
L'intelligenza artificiale potrebbe aiutare a identificare gli agenti crioprotettivi da utilizzare in base al materiale biologico e alle condizioni conservazione . I progressi tecnologici e l'IA potrebbero anche consentire l'automazione dell'uso dell'azoto liquido, migliorando così la sicurezza complessiva dei laboratori [16]. Aziende come Future Fertility stanno già utilizzando l'IA per migliorare le previsioni di successo della fecondazione da ovuli criopreservato .
Infine, il superamento delle attuali sfide che l'IA si trova ad affrontare nel settore sanitario potrebbe contribuire ad accelerare lo sviluppo di farmaci, soprattutto durante le emergenze (ad esempio, le pandemie globali). Gli strumenti di IA potrebbero ridurre il tempo necessario per scoprire, sviluppare e analizzare nuovi farmaci o trattamenti. Ciò consentirebbe di accelerare l'uso dei farmaci in tutta la popolazione e potrebbe potenzialmente salvare milioni di vite.
Sebbene le prospettive di applicazione dell'IA nell'assistenza sanitaria siano vaste, è necessario affrontare le sfide prima di compiere qualsiasi progresso. L'IA utilizzata in campo medico deve aderire a determinati standard etici, proteggere l'identità e i dati dei pazienti ed essere standardizzata per ottimizzare l'interoperabilità delle applicazioni. Una volta superate queste sfide, il settore sanitario potrebbe essere rivoluzionato.
Chissà, gli strumenti di intelligenza artificiale potrebbero persino contribuire a far progredire lo sviluppo della tecnologia di criopreservazione e le attuali applicazioni di criopreservazione più di quanto potremmo mai immaginare. Nel frattempo, se avete domande su Biostasis, non esitate a fissare una telefonata con noi. E se vi sentite pronti a far parte della nostra comunità, iscrivetevi qui!
[1] Asar, A. (2022, 21 aprile). L'intelligenza artificiale nella sanità presenta sfide uniche e opportunità straordinarie. Forbes. https://www.forbes.com/sites/forbestechcouncil/2021/11/22/ai-in-healthcare-presents-unique-challenges-and-amazing-opportunities/?sh=444832bb107b
[2] Dilmegani, C. (2022, 4 luglio). Le 4 principali sfide dell'IA nella sanità e come superarle. AIMultiple. https://research.aimultiple.com/challenges-of-ai-in-healthcare/
[3] Anderson, J. G. (2017). IOS Press Ebooks - La tua assistenza sanitaria può ucciderti: Errori medici. Https://Pubmed.Ncbi.Nlm.Nih.Gov/28186008/
[4] Watari, T. (2021, 15 settembre). Richieste di risarcimento per negligenza in medicina interna per errori diagnostici e di sistema in Giappone. 2021 dalla Società giapponese di medicina interna. https://www.jstage.jst.go.jp/article/internalmedicine/60/18/60_6652-20/_article
[Renfrow, J. (2019, 11 luglio). 1 diagnosi errata su 3 provoca lesioni gravi o morte: studio. Fierce Healthcare. https://www.fiercehealthcare.com/hospitals-health-systems/jhu-1-3-misdiagnoses-results-serious-injury-or-death
[6] Istituto Alan Turing. (2020). Scienza dei dati e IA nell'era del COVID-19. https://www.turing.ac.uk/sites/default/files/2021-06/data-science-and-ai-in-the-age-of-covid_full-report_2.pdf
[7] Heaven, W. D. (2022, 6 aprile). Sono stati costruiti centinaia di strumenti di intelligenza artificiale per catturare i covidi. Nessuno di essi è stato utile. MIT Technology Review. https://www.technologyreview.com/2021/07/30/1030329/machine-learning-ai-failed-covid-hospital-diagnosis-pandemic/
[8] Dickson, B. (2021, 19 febbraio). Affrontare le sfide dell'IA nell'assistenza sanitaria. TechTalks. https://bdtechtalks.com/2021/02/17/ai-healthcare-tina-manoharan-philips/
[9] Distruzione di documenti all'avanguardia. (2011, 24 novembre). Legge sulla portabilità e la responsabilità dell'assicurazione sanitaria (HIPAA) | Distruzione di documenti Cutting Edge. https://cuttingedgedd.com/legislation/health-insurance-portability-accountability-act-hipaa/
[10] Mirin, K. (2021, 2 dicembre). Implementazione dell'IA nell'assistenza sanitaria: Sfide e potenzialità. PostIndustria. https://postindustria.com/implementation-of-ai-in-healthcare-challenges-and-potential/
[11] Sullivan, T. (2019, 1 aprile). Interoperabilità: 3 grafici tastano il polso alla condivisione dei dati sanitari oggi. Notizie sull'informatica sanitaria. https://www.healthcareitnews.com/news/interoperability-3-charts-take-pulse-health-data-sharing-today
[12] Studio: Gli errori ospedalieri uccidono 20.000 persone ogni anno. (2014, 21 gennaio). La Germania locale. https://www.thelocal.de/20140121/more-die-from-hospital-mistakes-than-on-roads/
[13] McNemar, E. (2021, 29 novembre). Le principali opportunità per l'intelligenza artificiale di migliorare la cura del cancro. HealthITAnalytics. https://healthitanalytics.com/features/top-opportunities-for-artificial-intelligence-to-improve-cancer-care
[14] McNemar, E. (2021a, 28 settembre). Migliorare l'imaging del cancro al seno con l'intelligenza artificiale. HealthITAnalytics. https://healthitanalytics.com/news/improving-breast-cancer-imaging-with-artificial-intelligence
[15] Personale dell'NCI. (2020, 12 febbraio). L'intelligenza artificiale accelera la diagnosi del tumore al cervello. Istituto Nazionale dei Tumori. https://www.cancer.gov/news-events/cancer-currents-blog/2020/artificial-intelligence-brain-tumor-diagnosis-surgery
[16] Parker, S. (2022, 15 giugno). L'intelligenza artificiale è essenziale per il futuro della crioconservazione. SmartData Collective. https://www.smartdatacollective.com/artificial-intelligence-is-essential-to-future-of-criopreservazione /
%20(1).webp)
.png)