Il progetto proposto si pone l'obiettivo dello studio e dello sviluppo di soluzioni innovative nell'ambito degli Intelligent Control Systems. Il filone di ricerca degli Intelligent Control Systems rappresenta un punto di contatto tra la teoria del controllo e quello dell'intelligenza artificiale (AI), proponendo per problemi e tematiche classiche della teoria del controllo soluzioni che sfruttano i vantaggi apportati da approcci data-driven o AI-based in alcune loro funzionalità e caratteristiche. Il progetto si propone nello specifico di trattare due argomenti di ricerca contestualizzati su altrettanti casi di studio di concreta rilevanza industriale: (i) lo sviluppo di un framework adattativo basato sulla teoria del consenso per il Federated Learning in ambito biomedicale con compliance con i GDPR; (ii) lo sviluppo di un sistema di controllo basato sul Model Predictive Control e Deep Reinforcement Learning per il dosaggio insulinico in pazienti diabetici dotati di pancreas artificiali in ottica personalised and predictive medicine.
Il progetto partirà con un approfondito studio dello stato dell'arte ed entrerà poi in una fase di sviluppo e design delle soluzioni atte a risolvere i problemi dei due casi d'uso individuati. La validazione delle soluzioni individuate avverrà per via simulativa impiegando i più attendibili dati e software, come ad esempio lo UVA/Padova simulator, recentemente accettato dalla US Food and Drug Administration come sostituto di un paziente in vivo per trial preclinici in sistemi di controllo closed-loop per il dosaggio insulinico.
Tematica 1: Federated Learning
Il progetto propone l'applicazione e contestualizzazione del framework del FL ad uno scenario in cui la federazione è composta da istituti clinici, non caratterizzati quindi da potenza computazionale limitata o particolari problematiche di comunicazione. L'algoritmo sviluppato sarà testato su due problemi di interesse biomedicale: la rilevazione di patologie respiratorie (tra cui il COVID19, grazie al dataset [19]) a partire da scansioni toraciche e la localizzazione di tumori e patologie oncologiche in immagini cliniche. Entrambi i casi clinici considerati sono di estrema attualità ed interesse scientifico, nonché complementari: se da una parte lo studio di un classificatore in grado di supportare il riconoscimento degli effetti del COVID19, o in generale di una nuova patologia, richiede lo studio continuativo di dati scarsamente disponibili, in continuo aggiornamento, e geograficamente sparsi; dall'altra parte, lo studio di patologie ben note e con importanti collezioni di dati preesistenti, come quelle oncologiche, impone la necessità di poter gestire quantitativi di dati estremamente elevati ed il raggiungimento di performance superiori e competitive rispetto alle soluzioni disponibili già da ora sul mercato.
Il problema introdotto ha dunque una chiara componente che lo avvicina alla teoria del consenso, in quanto i singoli utenti vedono il proprio modello neurale convergere verso un valore comune che incorpora le informazioni ottenute, sotto forma di gradienti di apprendimento, dall'analisi dei propri dati. È dunque naturale chiedersi se la presenza del server nella federazione sia necessaria e sotto quali ipotesi sulla connettività della federazione il processo di learning riesca ad essere completato. Il progetto vuole quindi studiare le seguenti innovazioni:
Il legame tra la topologia della rete, il protocollo di consenso implementato e l'effettiva convergenza del processo di learning, con riguardo anche alla velocità della stessa.
La possibilità di migliorare il protocollo di consenso mediante una modifica nel processo di model averaging, rendendolo adattativo alle performance dei singoli modelli degli utenti e alla topologia della stessa. L'approccio proposto permetterebbe di poter dare maggior rilevanza agli utenti in grado di contribuire maggiormente alla federazione, potenzialmente velocizzando la velocità di convergenza del processo di learning.
L'inclusione di aspetti di interpretabilità del risultato, fondamentali per la natura biomedica del caso di studio sotto esame, nel contesto dell'apprendimento distribuito.
Gli algoritmi sviluppati saranno valutati mettendo alla luce le loro caratteristiche peculiari e le loro performance in confronto con algoritmi allo stato dell'arte, sia di natura centralizzata che distribuita.
Tematica 2: Artificial Pancreas
Lo schema di controllo proposto in questo progetto prevede l'impiego di uno schema Model Predictive Control (MPC) per la determinazione del dosaggio insulinico, con la significativa innovazione, se paragonato agli altri approcci in letteratura per il controllo personalizzato basati su approssimazioni lineari [20], [21], di assumere il paziente come un'assoluta black box ed integrare quindi, all'interno dell'MPC controller, un modello completamente data-driven costituito da una rete neurale ricorsiva (recurrent neural network [22]). Tale approccio prende in letteratura il nome di DeepMPC [23], ed non è stato ad oggi applicato nel dominio biomedicale.
L'applicazione di reti neurali per predire l'evoluzione del BGL è stata esplorata in [24], tuttavia la chiusura del loop di controllo in un contesto predittivo come l'MPC è tutt'ora un problema aperto.
Tra le architetture neurali che saranno studiate per lo sviluppo del DeepMPC saranno valutate reti ricorsive, convoluzionali e le recenti Neural ODE [25].
[20] Messori, M., Incremona, G. P., Cobelli, C., & Magni, L., IEEE Control Syst., vol. 38, no. 1, pp. 86'104, Feb. 2018.
[21] G. P. Incremona, M. Messori, C. Toffanin, C. Cobelli, and L. Magni, Control Eng. Pract., vol. 77, pp. 86'94, Aug. 2018.
[22] J. T. Connor, R. D. Martin, and L. E. Atlas, IEEE Trans. Neural Networks, vol. 5, no. 2, pp. 240'254, Mar. 1994.
[23] I. Lenz, R. Knepper, and A. Saxena, Robotics: Science and Systems XI, 2015.
[24] E. M. Aiello, G. Lisanti, L. Magni, M. Musci, and C. Toffanin, Eng. Appl. Artif. Intell., vol. 87, p. 103255, Jan. 2020.
[25] R. T. Q. Chen, Y. Rubanova, J. Bettencourt, and D. K. Duvenaud, Advances in Neural Information Processing Systems 31, S. Bengio, H. Wallach, H. Larochelle, K. Grauman, N. Cesa-Bianchi, and R. Garnett, Eds. Curran Associates, Inc., 2018, pp. 6571'6583.