Difference between revisions of "Codice criptato: Trasmissione efaptica"

no edit summary
Line 2: Line 2:
{{Template:Transl}}
{{Template:Transl}}
[[File:Rete neurale completa1-2.png|left|thumb|200x200px]]
[[File:Rete neurale completa1-2.png|left|thumb|200x200px]]
Il termine di '<nowiki/>'''Rete Neurale Cognitiva'''<nowiki/>'  abbreviata in '<nowiki/>'''RNC'''' è un processo intellettuale cognitivo dinamico del clinico che interroga la rete per auto-addestrarsi. La 'RNC' non è una 'Machine Learning' perchè mentre quest'ultima deve essere addestrata dal clinico, con aggiustamenti statistici e di predizione, la 'RNC' addestra il clinico o meglio indirizza il clinico alla diagnosi pur essendo sempre interrogata seguendo una logica umana, da qui il termine 'cognitiva'. Come dimostrato la definizione di 'Spasmo Emimasticatorio' nella nostra paziente Mary Poppins non è stato un percorso clinicamente semplice, tuttavia, considerando i temi presentati nei capitoli precedente di Masticationpedia abbiamo a disposizione almeno tre elementi di supporto: una visione di 'Probabilità quantistica' dei fenomeni fisico chimici nei sistemi complessi biologici di cui si parlerà diffusamente nei capitoli specifici; un linguaggio più formale e meno vago rispetto al linguaggio naturale che indirizza l'analisi diagnostica al primo nodo di input della 'RNC' attraverso lo 'Demarcatore di Coerenza <math>\tau</math>' descritto nel capitolo [[1° Clinical case: Hemimasticatory spasm|'1° Clinical case: Hemimasticatory spasm]]; il processo della 'RNC' che essendo gestito e guidato esclusivamente dal clinico diviene un mezzo imprenscindibile per la diagnosi definitiva. La 'RNC', infatti, è il risultato di un profondo processo cognitivo che si esegue su ogni passaggio dell'analisi in cui il clinico pesa le proprie intuizioni, chiarisce i propri dubbi, valuta i referti, considera i contesti ed avanza step by step confrontandosi con il risultato della risposta proveniente dal database che nel nostro caso è Pubmed e che sostanzialmente rappresenta l'attuale livello di conoscenza di base <math>KB_t</math> al tempo dell'interrogazione ed il <math>KB_c</math> nei più ampi contesti specialistici.
Il termine di '<nowiki/>'''Rete Neurale Cognitiva'''<nowiki/>'  abbreviata in ''''RNC'''' è un processo intellettuale cognitivo dinamico del clinico che interroga la rete per auto-addestrarsi. La 'RNC' non è una 'Machine Learning' perchè mentre quest'ultima deve essere addestrata dal clinico, con aggiustamenti statistici e di predizione, la 'RNC' addestra il clinico o meglio indirizza il clinico alla diagnosi pur essendo sempre interrogata seguendo una logica umana, da qui il termine 'cognitiva'. Come dimostrato la definizione di 'Spasmo Emimasticatorio' nella nostra paziente Mary Poppins non è stato un percorso clinicamente semplice, tuttavia, considerando i temi presentati nei capitoli precedente di Masticationpedia abbiamo a disposizione almeno tre elementi di supporto: una visione di 'Probabilità quantistica' dei fenomeni fisico chimici nei sistemi complessi biologici di cui si parlerà diffusamente nei capitoli specifici; un linguaggio più formale e meno vago rispetto al linguaggio naturale che indirizza l'analisi diagnostica al primo nodo di input della 'RNC' attraverso lo 'Demarcatore di Coerenza <math>\tau</math>' descritto nel capitolo [[1° Clinical case: Hemimasticatory spasm|'1° Clinical case: Hemimasticatory spasm]]; il processo della 'RNC' che essendo gestito e guidato esclusivamente dal clinico diviene un mezzo imprenscindibile per la diagnosi definitiva. La 'RNC', infatti, è il risultato di un profondo processo cognitivo che si esegue su ogni passaggio dell'analisi in cui il clinico pesa le proprie intuizioni, chiarisce i propri dubbi, valuta i referti, considera i contesti ed avanza step by step confrontandosi con il risultato della risposta proveniente dal database che nel nostro caso è Pubmed e che sostanzialmente rappresenta l'attuale livello di conoscenza di base <math>KB_t</math> al tempo dell'interrogazione ed il <math>KB_c</math> nei più ampi contesti specialistici.
    
    
   {{ArtBy|
   {{ArtBy|
Line 12: Line 12:
{{Bookind2}}
{{Bookind2}}
== Introduzione ==
== Introduzione ==
Nel capitolo '[[1° Clinical case: Hemimasticatory spasm]]' siamo giunti subito a conclusione bypassando tutto il processo cognitivo, clinico e scientifico che è alla base della definizione diagnostica ma non è così semplice altrimenti la nostra povera paziente Mary Poppins non avrebbe dovuto aspettare 10 anni per la diagnosi corretta.  <blockquote>Va rimarcato che non si tratta di negligenza da parte dei clinici piuttosto di complessità dei 'Sistemi Complessi biologici' e soprattutto da una forma mentis ancorata, ancora, ad una 'Probabilità classiche' che categorizza i fenotipi sani e malati in funzione dei sintomi e segni clinici campionati invece di sondare lo 'Stato' di sistema nell'evoluzione temporale. Questo concetto, anticipato nel capitolo '[[Logic of medical language: Introduction to quantum-like probability in the masticatory system]]' ed in '[[Conclusions on the status quo in the logic of medical language regarding the masticatory system]]' ha gettato le basi per un linguaggio medico più articolato e meno deterministico, focalizzato principalmente sullo 'Stato' di 'Sistema mesoscopico' il cui scopo è, essenzialmente, quello di decriptare il messaggio in linguaggio macchina generato dal Sistema Nervoso Centrale come assisteremo nella descrizione di altri casi clinici che verranno riportati nei prossimi capitoli di Masticationpedia. </blockquote>Questo modello, che proponiamo con il termine di '<nowiki/>'''Rete Neurale Cognitiva'''<nowiki/>'  abbreviata in '<nowiki/>'''RNC'''' è un processo intellettuale cognitivo dinamico del clinico che interroga la rete per auto-addestrarsi. La 'RNC' non è una 'Machine Learning' perchè mentre quest'ultima deve essere addestrata dal clinico, con aggiustamenti statistici e di predizione, la 'RNC' addestra il clinico o meglio indirizza il clinico alla diagnosi pur essendo sempre interrogata seguendo una logica umana, da qui il termine 'cognitiva'.
Nel capitolo '[[1° Clinical case: Hemimasticatory spasm]]' siamo giunti subito a conclusione bypassando tutto il processo cognitivo, clinico e scientifico che è alla base della definizione diagnostica ma non è così semplice altrimenti la nostra povera paziente Mary Poppins non avrebbe dovuto aspettare 10 anni per la diagnosi corretta.  <blockquote>Va rimarcato che non si tratta di negligenza da parte dei clinici piuttosto di complessità dei 'Sistemi Complessi biologici' e soprattutto da una forma mentis ancorata, ancora, ad una 'Probabilità classiche' che categorizza i fenotipi sani e malati in funzione dei sintomi e segni clinici campionati invece di sondare lo 'Stato' di sistema nell'evoluzione temporale. Questo concetto, anticipato nel capitolo '[[Logic of medical language: Introduction to quantum-like probability in the masticatory system]]' ed in '[[Conclusions on the status quo in the logic of medical language regarding the masticatory system]]' ha gettato le basi per un linguaggio medico più articolato e meno deterministico, focalizzato principalmente sullo 'Stato' di 'Sistema mesoscopico' il cui scopo è, essenzialmente, quello di decriptare il messaggio in linguaggio macchina generato dal Sistema Nervoso Centrale come assisteremo nella descrizione di altri casi clinici che verranno riportati nei prossimi capitoli di Masticationpedia. </blockquote>Questo modello, che proponiamo con il termine di '<nowiki/>'''Rete Neurale Cognitiva'''<nowiki/>'  abbreviata in ''''RNC'''' è un processo intellettuale cognitivo dinamico del clinico che interroga la rete per auto-addestrarsi. La 'RNC' non è una 'Machine Learning' perchè mentre quest'ultima deve essere addestrata dal clinico, con aggiustamenti statistici e di predizione, la 'RNC' addestra il clinico o meglio indirizza il clinico alla diagnosi pur essendo sempre interrogata seguendo una logica umana, da qui il termine 'cognitiva'.


Alcuni modelli di '''machine learning classici,''' infatti, il cui '''addestramento in laboratorio''' dà risultati positivi, falliscono applicati al '''contesto reale'''. Questo, in genere, è attribuito a una mancata corrispondenza tra i set di dati con i quali la macchina è stata addestrata e i dati che, invece, incontra nel mondo reale. Un esempio pratico di ciò può essere rappresentato dal conflitto di asserzioni incontrato nel processo diagnostico della nostra paziente Mary Poppins tra il contesto odontoiatrico e neurologico che solo il supporto del demarcatore di coerenza <math>\tau</math> (processo cognitivo) è riuscito a risolvere.
Alcuni modelli di '''machine learning classici,''' infatti, il cui '''addestramento in laboratorio''' dà risultati positivi, falliscono applicati al '''contesto reale'''. Questo, in genere, è attribuito a una mancata corrispondenza tra i set di dati con i quali la macchina è stata addestrata e i dati che, invece, incontra nel mondo reale. Un esempio pratico di ciò può essere rappresentato dal conflitto di asserzioni incontrato nel processo diagnostico della nostra paziente Mary Poppins tra il contesto odontoiatrico e neurologico che solo il supporto del demarcatore di coerenza <math>\tau</math> (processo cognitivo) è riuscito a risolvere.
Line 25: Line 25:


* '''Input:''' Per trigger in entrata si intende il processo cognitivo che il clinico attua in funzione delle considerazioni pervenute da precedenti asserzioni, come è stato puntualizzato nei capitoli riguardanti la 'Logica di linguaggio medico'. Nel nostro caso, attraverso il 'Demarcatore di coerenza <math>\tau</math> è stato definito idoneo il contesto neurologico invece dell'odontoiatrico che perseguiva una spiegazione clinico diagnostica di TMDs. Questo trigger è di essenziale importanza perchè permette al clinico di centrare il '''comando di iniziazione di analisi''' delle rete che connetterà un ampio campione di dati corrispondenti al trigger impostato. A questo essenziale comando iniziale, come chiave algoritmica di decriptazione, si aggiunge l'ultimo comando di chiusura che è altrettanto importante in quanto dipende dall'intuizione del clinico  il quale reputerà finito il processo di decriptazione. In Figura 1, viene rappresentata la struttura della 'RNC' in cui si può notare la differenza tra le più comuni strutture di rete neurali in cui il primo stadio è strutturato con un elevato numero di variabili in entrata. Nella nostra 'RNC' il primo stadio corrisponde solo ad un nodo e precisamente al comando di inizializzazione di analisi della rete denominato 'Demarcatore di Coerenza <math>\tau</math>', i successivi loop della rete, che permettono al clinico di terminare oppure il reiterare della rete, ( 1<sup>st</sup> loop open, 2<sup>st</sup> loop open,...... n<sup>st</sup> loop open) sono determinanti per concludere il processo di decriptazione ( Decrypted Code). Questo passaggio verrà spiegato più dettagliatamente a seguire nel capitolo.
* '''Input:''' Per trigger in entrata si intende il processo cognitivo che il clinico attua in funzione delle considerazioni pervenute da precedenti asserzioni, come è stato puntualizzato nei capitoli riguardanti la 'Logica di linguaggio medico'. Nel nostro caso, attraverso il 'Demarcatore di coerenza <math>\tau</math> è stato definito idoneo il contesto neurologico invece dell'odontoiatrico che perseguiva una spiegazione clinico diagnostica di TMDs. Questo trigger è di essenziale importanza perchè permette al clinico di centrare il '''comando di iniziazione di analisi''' delle rete che connetterà un ampio campione di dati corrispondenti al trigger impostato. A questo essenziale comando iniziale, come chiave algoritmica di decriptazione, si aggiunge l'ultimo comando di chiusura che è altrettanto importante in quanto dipende dall'intuizione del clinico  il quale reputerà finito il processo di decriptazione. In Figura 1, viene rappresentata la struttura della 'RNC' in cui si può notare la differenza tra le più comuni strutture di rete neurali in cui il primo stadio è strutturato con un elevato numero di variabili in entrata. Nella nostra 'RNC' il primo stadio corrisponde solo ad un nodo e precisamente al comando di inizializzazione di analisi della rete denominato 'Demarcatore di Coerenza <math>\tau</math>', i successivi loop della rete, che permettono al clinico di terminare oppure il reiterare della rete, ( 1<sup>st</sup> loop open, 2<sup>st</sup> loop open,...... n<sup>st</sup> loop open) sono determinanti per concludere il processo di decriptazione ( Decrypted Code). Questo passaggio verrà spiegato più dettagliatamente a seguire nel capitolo.
[[File:Immagine 17-12-22 alle 11.34.jpeg|center|thumb|500x500px|'''Figura 1:''' Rappresentazione grafica della 'RNC' proposto da Masticationpedia]]




<center>
<center></center>
{|
|+
|
|-
|
|-
|+'''Graphic representation of the 'Cognitive Neural Network''''
|-
|{{Codice mod.1 start.jpg}}
|-
|'''Figura 1:''' Rappresentazione grafica della 'RNC' proposto da Masticationpedia
|} 
</center>
* '''Output:''' I dati in uscita dalla rete, che sostanzialmente corrispondono ad un precisa richiesta trigger cognitiva, restituisce un numero ampio di dati classificati e correlati alla keyword richiesta. Il clinico dovrà dedicare tempo e concentrazione per proseguire nella decriptazione del codice macchina. Abbiamo assistito, infatti, come seguendo le indicazioni dettate da criteri di ricerca come lo 'Research Diagnostic Criteria' (RDC) la nostra paziente Mary Poppins sia stata immediatamente categorizzata come 'TMDs' ed abbiamo anche suggerito il modo per ampliare le capacità diagnostiche in odontoiatria attraverso un modello 'fuzzy' che permetterebbe di spaziare in contesti diversi da quello proprio. Ciò mostra la complessità nel fare diagnosi differenziale e le difficoltà nel seguire un roadmap semeiotica classica perchè si è ancorati troppo al linguaggio verbale e poco ad una cultura quantistica dei sistemi biologici. Ciò sconfina nel concetto di linguaggio macchina e comando iniziale di decriptazione che andremo a spiegare brevemente nel prossimo paragrafo.
* '''Output:''' I dati in uscita dalla rete, che sostanzialmente corrispondono ad un precisa richiesta trigger cognitiva, restituisce un numero ampio di dati classificati e correlati alla keyword richiesta. Il clinico dovrà dedicare tempo e concentrazione per proseguire nella decriptazione del codice macchina. Abbiamo assistito, infatti, come seguendo le indicazioni dettate da criteri di ricerca come lo 'Research Diagnostic Criteria' (RDC) la nostra paziente Mary Poppins sia stata immediatamente categorizzata come 'TMDs' ed abbiamo anche suggerito il modo per ampliare le capacità diagnostiche in odontoiatria attraverso un modello 'fuzzy' che permetterebbe di spaziare in contesti diversi da quello proprio. Ciò mostra la complessità nel fare diagnosi differenziale e le difficoltà nel seguire un roadmap semeiotica classica perchè si è ancorati troppo al linguaggio verbale e poco ad una cultura quantistica dei sistemi biologici. Ciò sconfina nel concetto di linguaggio macchina e comando iniziale di decriptazione che andremo a spiegare brevemente nel prossimo paragrafo.


Line 95: Line 83:
<center>
<center>
{|
{|
|+'''Graphic representation of the 'Cognitive Neural Network''''
|+
|
|                      '''Graphic representation of the 'Cognitive Neural Network''''
|-
|-
|{{Codice mod.2 start.jpg}}
|{{Codice mod.2 start.jpg}}
Editor, Editors, USER, admin, Bureaucrats, Check users, dev, editor, founder, Interface administrators, oversight, Suppressors, Administrators, translator
10,785

edits