Funghi medicinali come nutraceutici per la salute dell’uomo e degli animali da allevamento
Palermo - ITALIA
Atene - GRECIA
Grecia
Zouhour Ouali
Dipartimento:
Scienze Agrarie, Alimentari e Forestali (SAAF)
Abstract
Progetto innovativo finalizzato ad ottenere prodotti nutraceutici a base di funghi medicinali che siano il più possibile vicini al farmaco per efficacia pur mantenendo l’alto profilo di maneggevolezza, con il supporto dell’Università per garantire la certificazione e i processi produttivi. Utilizzando come punto di partenza le conoscenze già acquisite sui funghi di interesse medicinale, il progetto ha coinvolto oltre al Dipartimento di Scienze Agrarie, Alimentari e Forestali (SAAF) dell’Università di Palermo anche il Laboratorio di Microbiologia Generale e Agraria dell’Università Agraria di Atene (con cui è attiva da anni una collaborazione su questi temi). Il Dipartimento Universitario di Atene e il Dipartimento SAAF di Palermo a loro volta collaborano con la Società DIRFIS (Grecia) leader nella produzione di funghi di interesse alimentare e medicinale e con la Valpharma International con sede in Emilia Romagna.
Explainable Artificial Intelligence (XAI) Models
Catania - ITALIA
Volos - GRECIA
Grecia
Isaak Kavasidis
Dipartimento:
Ingegneria elettrica, elettronica ed informatica
Abstract
Il progetto di ricerca ha riguardato lo studio e lo sviluppo di modelli di intelligenza artificiale interpretabili per il support decisionale al trattamento immunoterapico di pazienti affetti da carcinoma polmonare non a piccole cellule (NSCLC) tramite analisi di CT al fine di identificare pattern visuali correlabili con stati di mutazione del carcinoma. L’obiettivo specifico consiste nell’ideare modelli di intelligenza artificiale, declinati secondo il paradigma del deep learning, che non solo siano in grado di profilare genomicamente i tumori ma anche che, in base alla progettazione, possano prendere decisioni robuste e soprattutto interpretabili (Explainable AI) per i radiologi. La ricerca inoltre ha previsto la progettazione di metodi in grado di visualizzare le feature apprese dai modelli neurali, combinarle a diversi livelli di astrazione ed attribuirgli una semantica in grado di essere compresa dai radiologi così da aumentare il livello di fiducia, in ambito clinico, nei sistemi di IA.