Data inizio lavori: 01/10/2019 - Data fine lavori: 30/09/2022

Investimento totale: 2.259.998,83 € 

Partner coinvolti

• Altilia S.r.l (Impresa Proponente)

• OKT S.r.l. (Partner)

• Università degli Studi Magna Graecia di Catanzaro (Partner - Ente di Ricerca)

Consulenti

• ICAR-CNR (Altilia, OKT)

• Centro di Competenza ICT-SUD S.c.a.r.l. (Altilia)

• Dipartimento di ingegneria Informatica, Modellistica, Elettronica e Sistemistica dell’Unical (DIMES) - UNICAL (Unicz)

Team di progetto Unicz

Responsabile scientifico del progetto: Prof. Pierangelo Veltri

Co-responsabile scientifico: Prof. Pietro Hiram Guzzi

Co-responsabile attività di demo (OR8) e rilascio deliverables: Dott.ssa Patrizia Vizza

Personale coinvolto:

• Ingegneria Informatica e Bioingegneria: Pierangelo Veltri, Mario Cannataro, Pietro H. Guzzi, Carlo Cosentino, Maria Francesca Spadea, Gionata Fragomeni 

• Medicina Interna: Francesco Andreozzi, Elena Succurro

• Biologia e Spettrometria di massa: Rosa Terracciano, Rocco Savino 

• Farmacologia, Nutraceutica, Sicurezza Alimentare, Veterinaria Stefano Alcaro, Domenico Britti

• Malattie Dismetaboliche, Malattie croniche, Medicina Diagnostica e pianificazione chirurgica: Daniele Torella, Concetta Irace, Angelo Labate, Giuseppe L. Cascini, Gennaria Arabia, Mariagiulia Cristofaro, Carlo Torti

Ambito tecnologico

Tecnologia Abilitante: 1. Tecnologie dell’informazione e della comunicazione (TIC)

Settore applicativo: Fabbrica Intelligente

Tema: SN_A2 Sistemi produttivi evolutivi e adattativi per la produzione personalizzata

Sotto-tematiche di ricerca:

·       Soluzioni per la produzione efficiente di prodotti personalizzati funzionali ad alto valore aggiunto

·       Soluzioni avanzate per la gestione della produzione customer-driven

·       Interazione intelligente uomo-macchina

Descrizione del progetto

Il progetto di ricerca industriale e sviluppo sperimentale ricade nellarea delle soluzioni avanzate per la gestione della produzione customer-driven e di prodotti personalizzati. Esso si prefigge l’obiettivo di sviluppare modelli, metodi, algoritmi e approcci per l'arricchimento human-driven di dati, ovvero di tecniche per human-in-the-loop machine learning che facilitino la creazione di training set da usare per l’apprendimento di modelli di machine learning e question answering in grado di abilitare approcci e strumenti per cognitive automation.

Il progetto intende studiare e costruire strumenti software al fine di (i) facilitare il trasferimento alla macchina di competenze possedute da esperti di dominio in modo da sollevare gli operatori umani da compiti ripetitivi, tediosi e complessi, (ii) ridurre il tempo richiesto agli umani nella realizzazione di task analitici, (iii) favorire la scalabilità dei processi aziendali tramite l’automazione.

Lo scopo ultimo è fornire agli utenti finali la possibilità di offrire ai propri clienti prodotti e servizi sempre più personalizzati rispetto alle esigenze specifiche del singolo, sia esso un’azienda (es. corporate banking) o una persona (es. retail banking).

Allo stesso tempo nel settore e clinico/sanitario il progetto si propone di abilitare la possibilità di offrire cure e trattamenti personalizzati a pazienti coinvolti in procedure medico/cliniche). Nel settore medico/clinico, infatti, si sta sempre più affermando il concetto precision medicine che persegue la personalizzazione del trattamento medico rispetto alle caratteristiche individuali di ciascun paziente come la creazione di farmaci o pratiche mediche che sono unici per un paziente o per una specifica categoria di pazienti.

Attività svolte – Partner UNICZ

• Identificazione di casi di interesse medico clinico clinici a partire dall’esperienza policlinico/università

• Definizione e realizzazione di nuovi metodi e strumenti semiautomatici avanzati per il tagging di features di interesse nel dominio sanitario.

• Studio ed identificazione di algoritmi di ML e di sistemi di question answering. 

• Uso di annotazioni e features per l’arricchimento di informazioni al fine di: creare training set di elevata qualità per l’addestramento di modelli di machine learning in diversi domini, - migliorare l’efficacia di algoritmi di machine learning mediante tecniche di human in the loop

• Partendo da casi d’uso di dati in ambito medico clinico, definire framework per acquisizione ed arricchimento di dati di interesse medico clinico

• Studio di meccanismi avanzati basati su tecniche di active learning, deep learning (autoencoder, con supporto del DIMES, Unical)

• Implementazione e verifica dei casi d’uso presentati nel primo SAL

• Progettazione e realizzazione prototipo

• Testing ed identificazione di casi di interesse

• Un sistema prototipale che integra diversi moduli di acquisizione, e gestione dei dati per annotazione e successivo rilascio verso meccanismi di predizione 

• Pubblicazioni scientifiche, collaborazioni, ddr e borse di studio

Demo del prototipo realizzato

Risultati Tecnico-Scientifici

Rilascio sistema prototipale del modulo di estrazione e arricchimento dei dati per il dominio sanitario:

·   patologie dismetabliche

·   analisi segnali ecg

·   biomarcatori cardiaci

·   analisi di immagini del distretto cranio/facciale

·   analisi di strutture proteiche

Pubblicazioni scientifiche:

1. Medical image fusion: a proposed methodology for treatment evaluation

P Vizza, C Barrese, L Marafioti, G L Cascini, P Veltri

2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2022

2. On the use of the analysis for EEG functional connectivity networks in epilepsy

B Puccio, P Vizza, P Veltri

2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2022

3. A machine-learning based tool for bioimages managing and annotation 

R Giancotti, U Lomoio, P  Veltri, P H Guzzi,P Vizza

2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2022

4. DeLaBE: A Deep Learning architecture for Bio-images enhancing

P Vizza, M Cannistra, G Tradigo, G L Cascini, P H Guzzi, P Veltri

2022 IEEE 10th International Conference on Healthcare Informatics (ICHI), 505-507, 2022

5. PCN-Miner: An open-source extensible tool for the Analysis of Protein Contact Networks

PH Guzzi, L Di Paola, A Giuliani, P Veltri

Bioinformatics 38 (17), 4235-4237, 2022

6. Glucose Metabolism Evaluation by using cardiac PET images

P Vizza, G Tradigo, P H Guzzi, E Succurro, G L Cascini, P Veltri

2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2022

7. Detection of pan-cancer surface protein biomarkers via a network-based approach on transcriptomics data

D Mercatelli, C Cabrelle, P Veltri, FM Giorgi, PH Guzzi

Briefings in Bioinformatics 23 (5), bbac400 , 2022

8. Calculation of Intracoronary Pressure-Based Indexes with JLabChart

G Tradigo, S De Rosa, P Vizza, G Fragomeni, PH Guzzi, C Indolfi, P Veltri

Applied Sciences 12 (7), 3448, 2022

9. Annotations of Virus Data for Knowledge Enrichment

P Vizza, G Tradigo, PH Guzzi, B Puccio, M Prosperi, C Torti, P Veltri

2022 IEEE 10th International Conference on Healthcare Informatics, 2022

10.  On the identification of PoIs in glucosimeter data

P Vizza, G Tradigo, R Giancotti, F Scala, PH Guzzi, C Ierace, S Flesca, P Veltri

2022 IEEE 10th International Conference on Healthcare Informatics (ICHI), 2022

11.  Image processing segmentation algorithms evaluation through implementation choices

P Vizza, M Cannistrà,  R Giancotti, P Veltri

BCB '22: 13th ACM International Conference on Bioinformatics, Computational Biology and Health Informatics,2022

12.  Using dual-network-analyser for communities detecting in dual networks

PH Guzzi, G Tradigo, P Veltri

BMC Bioinformatics 2022 22(Suppl 15):614, 2022

13.  A Network Embedding Approach for Annotating Protein Structures

B Puccio, PH Guzzi, P Veltri, U Lomoio, L Di Paola. 

SEBD 30th Symposium on Advanced Database System, 2022

14.  A Novel Algorithm for Local Network Alignment Based on Network Embedding

PH Guzzi, G Tradigo, P Veltri

Applied Sciences 12 (11), 5403, 2022

15.  On the usefulness of pre-processing step in melanoma detection using multiple instance learning

E Vocaturo, E Zumpano, P Veltri

International Conference on Flexible Query Answering Systems, 2019 

16.  Methodologies of speech analysis for neurodegenerative diseases evaluation 

P Vizza, G Tradigo, D Mirarchi, R B Bossio, N Lombardo, G Arabia, A Quattrone, P Veltri 

International journal of medical informatics, 122, 45-54, 2019

17.  Reduction in Global Myocardial Glucose Metabolism in Subjects With 1-Hour Postload Hyperglycemia and Impaired Glucose Tolerance

E Succurro, E Pedace, F Andreozzi, A Papa, P Vizza, TV Fiorentino, F Perticone, P Veltri, GL Cascini, G. Sesti

Diabetes care, 43(3): 669 , 2020

18.  A programmable device to guide rehabilitation patients: design, testing and data collection

G tradigo, P Vizza, PH Guzzi, G Fragomeni, A Ammendolia, P Veltri

2020 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), (pp.1487-1491), 2020

A framework for clinical data integration and annotation for decision support

R. Giancotti, P. Vizza, G. Tradigo and P. Veltri

2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2021

19.  Data science in unveiling COVID-19 pathogenesis and diagnosis: evolutionary origin to drug repurposing

J Kumar Das, G Tradigo, P Veltri, P H Guzzi, S Roy

Briefings in Bioinformatics 22 (2), 855-872, 2021

20.  CBRA: Cardiac biomarkers release analyzer

Procopio, A., De Rosa, S., Montefusco, F., Canino, G., Merola, A., Sabatino, J., et al. 

Computer Methods and Programs in Biomedicine, 204, 106037, 2021

21.  A Tool for clinical data annotation of parotid neoplasia

P Vizza, G Tradigo, I Brunelli, P Veltri

2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2021

22.  Effects of 26 weeks of treatment with empagliflozin versus glimepiride on the myocardial glucose metabolic rate in patients with type 2 diabetes: The randomized, open‐label, crossover, active‐comparator FIORE trial.

Succurro, E., Vizza, P., Papa, A., Miceli, S., Cicone, F., Fiorentino, T. V., Sciaqua, A., Andreozzi, F., Veltri, P., Cascini, G.L., Sesti, G. 

Diabetes, Obesity and Metabolism, 24(12), 2319-2330, 2022.

23.  Metabolic Syndrome Is Associated With Impaired Insulin-Stimulated Myocardial Glucose Metabolic Rate in Individuals With Type 2 Diabetes: A Cardiac Dynamic 18F-FDG-PET Study. 

Succurro, E., Vizza, P., Papa, A., Cicone, F., Monea, G., Tradigo, G., Fiorentino, T. V., Perticone, M., Guzzi, P.H., Sciacqua, Andreozzi, F., A., Veltri, P., Cascini, G.L., Sesti, G. 

Frontiers in Cardiovascular Medicine, 9, 2022.

24.  Impaired insulin-stimulated myocardial glucose metabolic rate is associated with reduced estimated myocardial energetic efficiency in subjects with different degrees of glucose tolerance.

Succurro, E., Cicone, F., Papa, A., Miceli, S., Vizza, P., Fiorentino, T. V., Perticone, M., Sciacqua, A., Guzzi, P.H., Veltri, P., Cascini, G.L., Andreozzi, F., Sesti, G. 

Cardiovascular Diabetology, 22(1), 1-11, 2023.