Un team di ricercatori ha sviluppato un modello AI per rilevare la malaria in aree rurali del Venezuela, colpite da una nuova ondata della malattia causata dalla deforestazione e dall’attività mineraria.
Una recrudescenza della malaria sta colpendo lo stato di Bolívar, in Venezuela, a causa della corsa all’oro che ha intensificato la deforestazione e aumentato la diffusione delle zanzare infette. In risposta, un gruppo di ricercatori ha sviluppato un modello di intelligenza artificiale in grado di identificare con una precisione del 99,51% i parassiti della malaria nei campioni di sangue, grazie a una rete neurale convoluzionale (CNN).
Il modello, descritto in uno studio pubblicato su Nature, è stato addestrato su un dataset di oltre 190.000 immagini segmentate da campioni raccolti in Bangladesh. Utilizzando una GPU NVIDIA RTX 3060 e PyTorch Lightning con accelerazione CUDA, l’AI elabora in pochi secondi i campioni di sangue, offrendo un’alternativa rapida e affidabile rispetto alla microscopia tradizionale.
Il progetto, guidato da Diego Ramos-Briceño, 25 anni, ingegnere e dottorando in medicina, mira a supportare le cliniche rurali prive di microscopisti qualificati. Grazie al trasferimento dell’apprendimento, il modello può adattarsi a immagini locali, migliorando ulteriormente l’accuratezza diagnostica.
Nel 2023, secondo l’OMS, la malaria ha colpito 263 milioni di persone nel mondo, causando quasi 600.000 morti. In Venezuela, il numero dei casi è salito a 135.000. L’adozione di strumenti tecnologici come questo modello AI potrebbe rappresentare una svolta nella lotta alla malattia nei contesti più vulnerabili.
Approfondimento:
La malaria in Venezuela: cronologia recente
- 1961: il Venezuela viene dichiarato libero dalla malaria dall’OMS
- 2014–2024: aumento dei casi in Bolívar a causa della deforestazione e delle attività minerarie
- 2025: pubblicazione dello studio AI su Nature
📎 Fonti: OMS, Nature
Consigli di approfondimento:
Abstract:
Il progetto AI per la malaria offre un’alternativa rapida, accessibile e altamente accurata alla diagnostica tradizionale, con potenziali benefici nelle aree rurali. Pro: velocità, accessibilità, adattabilità. Rischi: dipendenza da hardware specifico, formazione del personale, rispetto della privacy dei dati. A livello sociale, potrebbe ridurre la mortalità nelle aree isolate, ma richiede investimenti strutturali e collaborazione tra sanità pubblica e innovazione tecnologica.
