DOTTORATO NAZIONALE IN INTELLIGENZA ARTIFICIALE

Titolo della tesi: The long and winding path towards a trustworthy AI

Negli ultimi anni, l'Intelligenza Artificiale (IA) ha contribuito a trasformazioni profonde in vari settori, grazie alla sua capacità di analizzare grandi insiemi di dati, rilevare schemi complessi e supportare processi decisionali articolati. Tuttavia, la sua integrazione in ambiti e applicazioni critiche comporta significative sfide tecniche ed etiche, in particolare per quanto riguarda la trasparenza, l'interpretabilità ed l'equità. Questa tesi affronta tali sfide attraverso quattro indagini complementari, con l’obiettivo di promuovere applicazioni di IA responsabili ed etiche. Il primo studio esplora l'applicazione di modelli di machine learning potenziati con tecniche di Explainable AI (XAI) per prevedere l'efficacia dell'immunoterapia nei pazienti affetti da carcinoma polmonare non a piccole cellule (NSCLC). Integrando dati clinici e di imaging, il framework proposto non solo prevede gli esiti del trattamento, ma fornisce anche intuizioni interpretabili per supportare il processo decisionale clinico. La seconda indagine esamina come fattori demografici e socioeconomici siano codificati nei dati di imaging medico. Utilizzando i vector embedding — rappresentazioni numeriche che catturano schemi complessi e sfumati all'interno dei dati — derivati da radiografie del torace, questo lavoro quantifica i bias che potrebbero compromettere l'equità nelle applicazioni cliniche e discute strategie per mitigare tali effetti e promuovere modelli di IA più equi. Il terzo ambito affronta la sfida del Continual Learning (CL), proponendo metodi che permettano ai sistemi di IA di assimilare nuove informazioni (ad esempio, da dati in evoluzione) senza dimenticare le conoscenze precedentemente acquisite. Questo è particolarmente critico in contesti sanitari in rapida evoluzione, dove mantenere sia l’accuratezza che l’equità nel tempo è essenziale. Infine, la tesi esplora approcci neuro-simbolici per combinare le capacità di riconoscimento dei pattern delle reti neurali con il rigore logico del ragionamento simbolico. Applicato alla verifica della conformità nella produzione, specificamente nei quadri di controllo elettrici, questo framework ibrido viene valutato in termini di efficacia e potenziali sviluppi.