Con MeditronFO l’EPFL porta gli LLM medici verso la trasparenza

by Elisa Mazzelli

Il framework sviluppato a Losanna documenta dati, codice e valutazioni per rendere più ispezionabile l’uso dei modelli linguistici nella sanità Clinici e ricercatori analizzano MeditronFO in una composizione editoriale sobria, tra diagrammi medici, rete europea e loghi dei partner svizzeri: l’immagine valorizza trasparenza, collaborazione scientifica e verificabilità degli LLM clinici (Illustrazione: Innovando.News) La sanità è uno dei campi in cui l’adozione dell’intelligenza artificiale e dei big data procede con maggiore cautela, non per mancanza di interesse, ma perché l’errore ha conseguenze dirette sulle persone. I grandi modelli linguistici sono già utilizzati, o sperimentati, per sostenere il lavoro dei medici: possono aiutare a orientare una diagnosi, sintetizzare documentazione clinica, suggerire priorità o assistere nelle decisioni in pronto soccorso. Il punto critico, però, resta la verificabilità. Se un sistema produce una raccomandazione senza rendere accessibili dati, metodi e criteri di addestramento, il controllo indipendente diventa fragile. È su questo nodo che interviene MeditronFO, annunciato dall’École Polytechnique Fédérale de Lausanne. Secondo l’ateneo vodese, si tratta del primo framework completamente aperto per costruire large language model medici. L’accento non è posto soltanto sulla disponibilità del modello finale, ma sull’intera catena di sviluppo: dati, codice, procedure di addestramento, documentazione e valutazioni. In un settore regolato, sensibile e basato sulla responsabilità professionale, questa differenza non è marginale. Il progetto nasce nel Laboratory for Intelligent Global Health and Humanitarian Response Technologies, noto come LiGHT, all’interno della School of Computer and Communication Sciences di EPFL. La base tecnica è quella già aperta da Meditron, rilasciato nel 2023, ma l’evoluzione presentata ora punta a rendere più completa la trasparenza dell’intero metodo di costruzione. L’obiettivo dichiarato è permettere la “medicalizzazione” di modelli aperti di base, cioè il loro adattamento al dominio sanitario attraverso conoscenza clinica, dataset documentati e procedure di validazione specifiche. Una ricercatrice presenta su tablet dati clinici e modelli computazionali davanti a una visualizzazione del cervello: l’immagine richiama il ruolo dell’AI medica nel supporto alla diagnosi, tra analisi, trasparenza e supervisione umana (Illustrazione: Envato) Un medico consulta immagini diagnostiche, dati anatomici e pannelli clinici in un ambiente aumentato: l’AI in sanità può supportare il lavoro decisionale, ma richiede modelli verificabili, dati documentati e responsabilità umana nei passaggi più delicati (Illustrazione: Envato) Perché l’apertura pesa più del solo rilascio del modello Nel linguaggio dell’AI, la parola “open” viene usata spesso in modo disomogeneo. Un modello può rendere disponibili i pesi, ma mantenere opachi i dataset, le fasi di filtraggio, le scelte di addestramento o i protocolli…