Laboratorio di Informatica Medica e Intelligenza Artificiale (LIM-IA)
Responsabile: Prof. Riccardo Bellazzi
Attività di ricerca
Il Laboratorio di Informatica Medica e Intelligenza Artificiale svolge attività di ricerca per la messa a punto di metodi e tecniche computazionali avanzate a supporto alla ricerca clinica.
LIM-IA si occupa di realizzare infrastrutture informatiche per la raccolta, la gestione, e l'interrogazione dei dati di natura clinica e molecolare. Per garantire l’interoperabilità e la condivisibilità dei dati in studi multicentrici anche a livello internazionale, LIM-IA adotta il modello OMOP fornito dalla comunità OHDSI. Sviluppa e applica metodi di intelligenza artificiale per l’analisi e l’interpretazione dei dati raccolti.
I metodi impiegati spaziano da soluzioni di machine learning per problemi di classificazione, regressione e clustering, all’utilizzo di metodi di deep learning applicati a immagini, dati molecolari e testi, fino all’impiego delle più recenti soluzioni di IA generativa. LIM-IA svolge infine attività di prototipizzazione e testing di soluzioni ICT e robotiche per la cura e la riabilitazione dei pazienti, anche in un contesto di telemedicina.
Apparecchiature qualificanti
ComputerPubblicazioni più significative
- Brat GA, et al. International electronic health record-derived COVID-19 clinical course profiles: the 4CE consortium. NPJ Digit Med. 2020; 3:109. PMID: 32864472.
- Nicora G, Limongelli I, Gambelli P, et al. CardioVAI: An automatic implementation of ACMG-AMP variant interpretation guidelines in the diagnosis of cardiovascular diseases. Hum Mutat. 2018; 39(12): 1835-1846. PMID: 30298955.
- Gerbasi A, Clementi G, Corsi F, et al. DeepMiCa: Automatic segmentation and classification of breast MIcroCAlcifications from mammograms. Comput Methods Programs Biomed. 2023; 235: 107483. PMID: 37030174.
- Fraterman I, Wollersheim BM, Tibollo V, et al. An eHealth App (CAPABLE) Providing Symptom Monitoring, Well-Being Interventions, and Educational Material for Patients With Melanoma Treated With Immune Checkpoint Inhibitors: Protocol for an Exploratory Intervention Trial. JMIR Res Protoc. 2023; 12: e49252.
- Dagliati A, Marini S, Sacchi L, et al. Machine Learning Methods to Predict Diabetes Complications. J Diabetes Sci Technol. 2018; 12(2): 295-302. PMID: 28494618.
