Il principio di solidarietà inter-statale nelle dimensioni trasformative della membership europea. Prime sperimentazioni e modelli applicativi alla prova della crisi pandemica da Covid-19

Catania - ITALIA
Lubiana - SLOVENIA

https://www.progetto-goforit.it/wp-content/uploads/2022/01/ct1.png


Maria Manuela Pappalardo


Dipartimento:

Giurisprudenza

Abstract

Il progetto di ricerca propone un’analisi giuridica sul principio di solidarietà europea e sul ruolo dell’Ue nella crisi da Covid-19 nell’ambito di ordinamenti in transizione verso l’adesione all’UE. L’indagine sulla risposta europea alla pandemia e l’assistenza ai paesi aspiranti membri nella governance delle crisi transnazionali, si concentra in particolare sul sostegno indirizzato alle piccole e medie imprese. Il periodo di ricerca sul campo (9 mesi) a Lubiana è stato dedicato ad un’analisi di contesto sui meccanismi della solidarietà europea, anche mediante questionari e interviste rivolti ad attori istituzionali e stakeholder localizzati in Bosnia-Erzegovina, Montenegro e Serbia.


Explainable Artificial Intelligence (XAI) Models

Catania - ITALIA
Volos - GRECIA

https://www.progetto-goforit.it/wp-content/uploads/2022/01/ct1.png


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.