Apprendimento multimodale per l’integrazione di dati biomedici
Sviluppo di metodologie di deep learning per l’integrazione di dati biomedici eterogenei, tra cui immagini radiologiche, immagini istopatologiche e testo clinico. Le principali applicazioni riguardano la segmentazione di tumori cerebrali, l’analisi automatizzata di immagini whole-slide e la generazione automatica di referti patologici.
Apprendimento multimodale robusto in presenza di modalità mancanti
Sviluppo di modelli multimodali in grado di operare quando una o più modalità di input non sono disponibili durante l’addestramento e/o l’inferenza. La ricerca comprende applicazioni a dati visivi, testuali e audio-video, nonché alla segmentazione di immagini mediche multimodali incomplete.
Integrazione multi-omica
Sviluppo di metodologie di deep learning per l’integrazione di dati omici spaziali e non spaziali in ambito oncologico. La ricerca mira a caratterizzare la composizione cellulare e l’eterogeneità spaziale e molecolare del tessuto tumorale, considerando al contempo batch effect e variabilità tecnica tra campioni.
Intelligenza artificiale interpretabile per modelli multimodali
Sviluppo di metodi per l’interpretazione di modelli multimodali, con particolare attenzione all’analisi del flusso di informazione tra modalità. La ricerca studia come i modelli multimodali di grandi dimensioni integrano e utilizzano informazioni visive e testuali durante il processo di generazione.
