Engineering FAIR Privacy-preserving Applications that Learn Histories of Disease

Questo progetto dimostra come sia possibile ingegnerizzare applicazioni di intelligenza generativa per la medicina che rispettano la privacy, implementando un modello di inferenza client-side nel browser basato sui principi FAIR per prevedere i rischi di morbilità senza compromettere la sicurezza dei dati.

L'essenziale

🏥 Il Problema: La "Cassaforte" dei Dati Medici

Immagina di voler prevedere il futuro della tua salute, come se avessi una sfera di cristallo medica. Gli scienziati hanno creato un'intelligenza artificiale (chiamata Delphi 2M) che è molto brava a fare questo: legge la tua storia medica (come se fosse un libro di avventure) e ti dice quali malattie potrebbero arrivarti in futuro.

C'è però un grosso problema: per far funzionare questa sfera di cristallo, di solito devi inviare i tuoi dati medici a un enorme server centrale (un "supercomputer" nel cloud). È come se dovessi consegnare il tuo diario segreto a uno sconosciuto perché lui lo legga e ti dia un consiglio. Questo crea due problemi:

1. Privacy: I tuoi dati sensibili lasciano la tua casa.
2. Sicurezza: Se quel server viene hackerato, i tuoi segreti sono a rischio.

🚀 La Soluzione: Portare il "Cervello" a Casa Tua

Gli autori di questo articolo hanno detto: "E se invece di inviare i dati al computer, portassimo il computer a casa nostra?"

Hanno creato un'applicazione che funziona direttamente nel tuo browser web (come Chrome o Safari), senza bisogno di installare nulla e senza inviare mai i tuoi dati a nessuno. È come se avessero preso il "cervello" dell'intelligenza artificiale, lo avessero rimpicciolito e messo in una valigetta che tu puoi portare con te.

🧩 Come hanno fatto? (Le Analogie)

Per rendere possibile questa magia, hanno usato tre trucchi ingegneristici molto intelligenti:

1. Il "Traduttore Universale" (ONNX)

Immagina che il modello originale sia stato scritto in una lingua molto specifica (Python/PyTorch), che i browser web non capiscono. È come avere un libro scritto in un dialetto antico che nessuno legge più.
Gli scienziati hanno usato un formato chiamato ONNX. Pensa a ONNX come a un traduttore universale o a un formato PDF. Hanno preso il modello originale e lo hanno "tradotto" in un linguaggio che qualsiasi computer moderno (e il tuo browser) può capire e leggere, indipendentemente da dove è stato creato.

2. Il "Motore Leggero" (WebAssembly)

Una volta tradotto, il modello è ancora troppo pesante per girare velocemente sul tuo telefono o computer. Qui entra in gioco WebAssembly.
Immagina che il tuo browser sia un'auto. Di solito, le auto usano benzina (codice lento). WebAssembly è come mettere un motore a razzo nell'auto. Permette al modello di girare alla velocità della luce, direttamente sul tuo dispositivo, senza bisogno di collegarsi a internet per calcolare le risposte.

3. Il "Fabbro" (Il Kit di Sviluppo - SDK)

Per far parlare il browser con questo nuovo modello, hanno costruito un piccolo "ponte" o un kit di istruzioni (chiamato SDK).
Questo kit fa due cose:

• Prende quello che scrivi tu (es. "Ho avuto l'influenza a 10 anni, poi l'asma a 20") e lo trasforma in numeri che il modello capisce.
• Prende la risposta del modello (che è solo una serie di numeri confusi) e la trasforma di nuovo in una storia leggibile per te (es. "Hai un alto rischio di diabete tra 10 anni").

🛡️ Perché è rivoluzionario? (Il Concetto FAIR)

L'articolo parla di principi chiamati FAIR (Facili da trovare, Accessibili, Interoperabili, Riutilizzabili).
In parole povere, hanno reso l'intelligenza artificiale:

• Riutilizzabile: Non serve più un supercomputer costoso; funziona su un normale laptop.
• Interoperabile: Funziona ovunque, non solo nei laboratori di ricerca.
• Privato: È la parte più importante. Tutto avviene nel tuo dispositivo. I tuoi dati non escono mai dalla tua stanza. È come se il medico venisse da te, leggesse il tuo diario, ti desse un consiglio e poi se ne andasse, senza mai copiare una pagina del tuo diario.

🎯 Il Risultato: Un "Oracolo" Sicuro

Hanno creato un sito web (che puoi provare al link nell'articolo) dove puoi inserire la tua storia medica (fatta di codici medici standard) e vedere una previsione del futuro che appare in tempo reale.

In sintesi:
Hanno preso un'intelligenza artificiale potente ma pericolosa (perché richiede di inviare dati sensibili), l'hanno "impacchettata" in una scatola magica (ONNX + WebAssembly) e l'hanno resa sicura per tutti. Ora, chiunque può usare questa tecnologia per capire meglio la propria salute, sapendo che i propri segreti rimangono strettamente custoditi nel proprio computer.

È un passo enorme verso un futuro in cui l'AI ci aiuta a vivere meglio, senza mai rubarci la privacy.

Sommario tecnico

Titolo: Ingegnerizzazione di Applicazioni FAIR per la Privacy che Apprendono la Storia Naturale delle Malattie

1. Il Problema

La modellazione predittiva delle traiettorie di salute, in particolare l'uso di modelli generativi come Delphi 2M (basato su trasformatori) per prevedere il rischio di morbilità o mortalità individuale, presenta sfide critiche legate alla privacy e alla governance dei dati.
Attualmente, l'applicazione di questi modelli richiede tipicamente l'invio di cartelle cliniche elettroniche sensibili a server cloud centralizzati per l'elaborazione. Questo approccio crea ostacoli normativi ed etici significativi, poiché espone i dati dei pazienti a rischi di violazione e richiede la fiducia in infrastrutture esterne. L'obiettivo era colmare questo divario trasformando un modello di ricerca in un artefatto eseguibile interamente sul dispositivo dell'utente, eliminando la necessità di caricare dati o installare software.

2. Metodologia

Il progetto ha seguito un processo di ingegneria software per migrare l'intera pipeline di inferenza da un ambiente server-side (Python/PyTorch) a un ambiente client-side (JavaScript/Web).

• Fonte e Conversione del Modello:
  • Il punto di partenza è stato il codice sorgente pubblico di Delphi 2M, basato su un'architettura GPT personalizzata addestrata su PyTorch.
  • Il modello è stato convertito nel formato ONNX (Open Neural Network Exchange). ONNX funge da formato di interscambio universale, disaccoppiando il modello dal framework di addestramento originale e rendendolo eseguibile in ambienti diversi, inclusi i browser web.
• Runtime e WebAssembly (Wasm):
  • Per eseguire modelli complessi nel browser a velocità quasi nativa, è stato utilizzato il ONNX Runtime Web.
  • Il core C++ del runtime è stato compilato in WebAssembly (Wasm), permettendo l'esecuzione di calcoli intensivi direttamente nel browser.
  • L'architettura supporta l'accelerazione tramite WebGPU quando disponibile, oltre all'uso della CPU.
• Sviluppo di un SDK JavaScript Personalizzato:
  • È stato creato un SDK (Software Development Kit) in JavaScript per gestire l'interazione con il runtime ONNX.
  • Funzionalità dell'SDK:
    • Caricamento del modello ONNX e gestione della sessione di inferenza.
    • Pre-elaborazione: conversione degli input utente (codici ICD-10, età) in tensori numerici strutturati.
    • Inferenza Iterativa: La funzione generateTrajectory esegue cicli iterativi. Utilizza un metodo di campionamento "time-to-event" basato sulla formula $t_{next} = -e^{\lambda} \cdot \ln(u)$ per trasformare i logit (probabilità) in tempi casuali fino al prossimo evento.
    • Selezione dell'evento con il tempo previsto minimo e aggiornamento dell'età del paziente.
    • Post-elaborazione: conversione dei tensori di output grezzi in stime di rischio leggibili (eventi e anni).
• Interfaccia Utente:
  • L'applicazione finale è stata sviluppata su ObservableHQ, permettendo agli utenti di inserire una storia clinica (es. ICD-10) e visualizzare le proiezioni future in tempo reale senza comunicazione server per l'inferenza.

3. Contributi Chiave

• Architettura Privacy-by-Design: Dimostrazione che l'inferenza di modelli generativi complessi può avvenire interamente lato client, garantendo che i dati sanitari sensibili non lascino mai il dispositivo dell'utente.
• Interoperabilità e Riutilizzabilità (Principi FAIR): Il lavoro ha focalizzato l'attenzione sui principi I (Interoperabilità) e R (Riutilizzabilità) dei dati FAIR. L'uso di ONNX ha reso il modello indipendente dal framework, permettendone l'uso in Python, C++, e JavaScript.
• Blueprint Tecnico: Fornisce un modello architetturale replicabile per la distribuzione sicura di AI generativa in ambito medico, basato su ONNX, WebAssembly e SDK personalizzati.
• Accessibilità: Ha reso un modello di ricerca avanzato accessibile a utenti non tecnici tramite un semplice browser web, senza necessità di download o installazioni.

4. Risultati

• Sviluppo dell'Applicazione: È stata creata con successo un'applicazione web funzionante (delphiTrajectories) che esegue il modello Delphi 2M interamente nel browser.
• Performance: L'uso di ONNX Runtime con backend Wasm/WebGPU ha permesso un'esecuzione efficiente su diverse piattaforme, dai dispositivi mobili ai desktop con GPU.
• Validazione del Flusso: L'applicazione è stata testata con successo sia nell'ambiente di sviluppo (ObservableHQ) che nell'interfaccia utente finale, confermando la capacità di generare traiettorie di malattia future basate su input storici.
• Limitazioni: La versione dimostrativa è stata addestrata su un piccolo subset di dati sintetici (7.144 pazienti) e non riflette le prestazioni del modello completo originale (addestrato su 400k traiettorie reali), ma valida la fattibilità ingegneristica dell'approccio.

5. Significato e Impatto

Questo lavoro rappresenta un caso di studio fondamentale per il futuro dell'AI medica privata.

• Governance dei Dati: Sposta il confine computazionale e il controllo dei dati interamente sul dispositivo dell'utente, allineandosi a standard di governance rigorosi e riducendo i rischi di violazione della privacy.
• Futuro dell'Apprendimento: Apre la strada a strategie di aggiornamento del modello che mantengono la privacy, come il fine-tuning lato client o l'apprendimento federato decentralizzato, dove il modello migliora senza che i dati grezzi lascino mai il dispositivo.
• Standardizzazione: Conferma l'importanza di ONNX come runtime condiviso per democratizzare l'accesso a modelli AI complessi in settori sensibili, trasformando la ricerca accademica in strumenti pratici e sicuri per la medicina personalizzata.