Analisi dei Disturbi della Voce attraverso Explainable-AI. Un approccio concept-based. = Voice Disorders Analysis through Explainable-AI. A concept-based approach.

Nel contesto medico, l’utilizzo dell’intelligenza artificiale - e in particolare del machine learning o apprendimento automatico - ha rivoluzionato molte discipline, aprendo nuove prospettive di analisi e diagnosi. Tuttavia, data l’importanza e la sensibilità dei dati trattati in ambito sanitario, l’opacità che circonda le reti neurali può portare a insicurezza e diffidenza verso l’adozione di queste tecnologie. Il ramo dell’antelligenza artificiale chiamato X-AI (eXplainable-AI) si occupa di questo problema, cercando di rendere più trasparenti i processi decisionali attraverso spiegazioni, grafici e rimodellamenti della struttura stessa delle reti. In questa tesi, si è cercato di applicare i principi dell’eXplainable-AI nel campo dell’analisi dei disturbi della voce, rimasto relativamente poco studiato rispetto ad altri ambiti clinici. L’obbiettivo principale è quello di trovare una soluzione che garantisca interpretabilità e maggiore chiarezza all’utente umano senza compromettere in modo eccessivo le prestazioni del modello. L’approccio utilizzato è stato di tipo concept-based. La rete neurale viene progettata per prevedere una serie di concetti - rappresentazioni semantiche comprensibili e familiari per un essere umano - sulla base dei quali avviene la classificazione in voce eufonica o patologica. In questo modo, le decisioni vengono prese riconoscendo una correlazione tra i concetti associati ad una determinata voce (e.g. disfonia, breathiness) e la relativa classe, garantendo maggiore trasparenza al processo di classificazione. Questa soluzione si rivelerebbe utile non soltanto al paziente, il quale beneficia di una diagnosi più approfondita e articolata , ma anche per il personale medico che può supervisionare meglio il funzionamento del sistema. Nel caso di una diagnosi errata, sarebbe estremamente più facile comprendere perchè il modello abbia predetto la classe sbagliata o modificare manualmente la predizione di un concetto per correggere l’errore. Considerando la famiglia delle reti concept-based, ci concentreremo in particolare su due modelli, ovvero i CBM (Concept Bottleneck Model) e i CEM (Concept Embedding Model). In sintesi, questa tesi propone l’applicazione di modelli concept-based nella classificazione dei disturbi della voce, con l’obbiettivo di raggiungere maggiore trasparenza e interpretabilità nella predizione mantenendo performance competitive.