Intelligenza artificiale e malattie cardiache rare: un premio internazionale al Politecnico

Durante il convegno 2026 IEEE World Congress on Computational Intelligence - WCCI, il principale appuntamento internazionale dedicato alla ricerca e alle applicazioni dell'intelligenza computazionale, svoltosi a Maastricht (Paesi Bassi), è stato assegnato ad Alessandro Casella, dottorando in Ingegneria Elettronica del Politecnico, il prestigioso Doctoral Consortium Award.

Il WCCI rappresenta l'evento di riferimento mondiale del settore e riunisce le tre principali conferenze internazionali dedicate all'intelligenza computazionale: la International Joint Conference on Neural Networks (IJCNN), la IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) e il IEEE Congress on Evolutionary Computation (CEC). L'iniziativa richiama la comunità scientifica internazionale per confrontarsi sui più recenti sviluppi nell'ambito dell'intelligenza artificiale, delle reti neurali, dei sistemi fuzzy e del calcolo evolutivo.

Il Doctoral Consortium Award, conferito dalla International Neural Network Society (INNS), viene assegnato ai migliori studenti e alle migliori studentesse di dottorato, offrendo loro l'opportunità di presentare i propri risultati di ricerca, confrontarsi con esperti di fama internazionale nel campo dell'intelligenza artificiale e ricevere attività di mentorship a supporto del proprio percorso scientifico.

Alessandro Casella svolge la propria attività di ricerca presso il Laboratorio di Neuronica del Dipartimento di Elettronica e Telecomunicazioni-DET, sotto la supervisione dei professori Eros Pasero e Vincenzo Randazzo. Il suo lavoro di ricerca, sviluppato in collaborazione con il professor Fiorenzo Gaita e la professoressa Carla Giustetto della facoltà di medicina dell'Università di Torino, è dedicato allo sviluppo di modelli di intelligenza artificiale per la diagnosi e la prognosi delle malattie cardiologiche rare, con particolare attenzione alla sindrome di Brugada, una patologia genetica del ritmo cardiaco che aumenta il rischio di aritmie ventricolari potenzialmente letali e di morte cardiaca improvvisa, spesso in persone giovani e apparentemente sane.

Alessandro Casella ha presentato l'evoluzione della sua ricerca: dall'utilizzo dell'intelligenza artificiale per riconoscere la sindrome di Brugada allo sviluppo di modelli di deep learning capaci di stimare il rischio che i pazienti sviluppino, nel tempo, gravi aritmie cardiache.

Lo sviluppo di sistemi di intelligenza artificiale per malattie cardiache rare come la sindrome di Brugada presenta una sfida importante: la scarsità di dati clinici disponibili per addestrare gli algoritmi. Per superare questo limite, il gruppo di ricerca ha utilizzato un framework chiamato Transfer Learning, una tecnica che permette a un modello di riutilizzare le conoscenze apprese da grandi quantità di dati per applicarle a contesti in cui le informazioni disponibili sono molto più limitate, a due stadi basato su una Lightweight Residual Network (L-ResNet). Dopo una fase di pre-addestramento, durante la quale il modello ha imparato a riconoscere le caratteristiche dell'elettrocardiogramma analizzando un ampio insieme di dati, è stato eseguito il fine-tuning, cioè un ulteriore addestramento su una piccola coorte di pazienti con dati prognostici, con l'obiettivo di predire il rischio aritmico a lungo termine.

Un altro elemento innovativo della ricerca è stato rendere il funzionamento del modello comprensibile e trasparente, superando il problema della cosiddetta "scatola nera" dell'intelligenza artificiale: spesso, infatti, questi sistemi sono in grado di formulare una previsione molto accurata, ma non di spiegare quali elementi abbiano guidato la loro decisione. Grazie a tecniche di Explainable AI (XAI), che permettono di ricostruire il percorso seguito dall'algoritmo nelle sue decisioni, il gruppo di ricerca ha potuto individuare quali segnali dell'elettrocardiogramma hanno avuto il maggiore peso nelle previsioni del sistema.

Nella pratica clinica, la diagnosi della sindrome di Brugada si basa principalmente sull'analisi di alcuni elettrodi posizionati nella parte destra del torace, che registrano l'attività elettrica del cuore. Il modello sviluppato da Alessandro Casella ha invece evidenziato che anche altri punti di osservazione dell'elettrocardiogramma, in particolare le derivazioni aVL e V5 - che rilevano l'attività elettrica rispettivamente dalla parte alta del braccio sinistro e dalla parete laterale del ventricolo sinistro - possono fornire informazioni preziose per stimare il rischio di aritmie. Questo risultato suggerisce l'esistenza di indicatori della malattia finora poco considerati e dimostra come l'intelligenza artificiale possa non solo supportare le decisioni cliniche, ma anche contribuire a una migliore comprensione dei meccanismi alla base della patologia.