Venerdì ore 14-16 in ufficio 112, Dipartimento di Statistica, Informatica e Applicazioni "Giuseppe Parenti", viale Morgagni 59. E' fortemente raccomandato prendere un appuntamento per email o prenotandosi a questo link.

Si riceve anche in altri orari tramite Google Meet - contattare il docente via email.

ISTRUZIONE e FORMAZIONE

2020 - Ph.D. in Ingegneria Biomedica, Elettrica, e dei Sistemi, Alma mater Studiorum -  University of Bologna, Italy

2016 - Laurea magistrale in Ingegneria Biomedica, Alma mater Studiorum - University of Bologna, Italy

2013 - Laurea triennale in Ingegneria Biomedica, Alma mater Studiorum - University of Bologna, Italy

POSIZIONI ACCADEMICHE

2022 -oggi: Ricercatrice a tempo determinato (legge 30 dicembre 2010, n. 240, art. 24, comma 3, lettera a), Università di Firenze, Dipartimento di Statistica, Informatica e Applicazioni - DiSIA, SSD: MED/01.

2021 - 2022: Assegnista di Ricerca Post-Doc, Consiglio Nazionale delle Ricerche - CNR, Istituto di Fisica Applicata "Nello Carrara" - IFAC, Sesto Fiorentino, Firenze.

2020 - 2021: Assegnista di Ricerca Post-Doc, Dipartimento di Scienze Mediche e Chirurgiche Avanzate, Università degli Studi della Campania "Luigi Vanvitelli", Napoli.

PREMI

- Premio di Dottorato "Alberto Mazzoldi" - Università di Pisa, conferito dal Gruppo Nazionale di Bioingegneria 2020

- Vincitrice Programma Marco Polo, Seconda tornata 2016, Università di Bologna

PRINCIPALI PROGETTI NAZIONALI ED INTERNAZIONALI

- "Fractal Dimension Maps of brain MRI and decentralized deep learning for prediction in Friedreich ataxia and SCAs using the ENIGMA-Ataxia meta-dataset (FDM-AI)" - Telethon Seed Grant 2022

- "OPTIMISED": Creazione di un percorso ottimizzato per il flusso dei dati e la gestione del paziente con quadro clinico e radiologico compatibile con COVID-19" (bando RICERCA COVID-19 TOSCANA) 2020

- "An Imaging Biobank to Precisely Prevent and Predict cancer, and facilitate the Participation of oncologic patients to Diagnosis and Treatment (NAVIGATOR)" (bando RICERCA SALUTE 2018)

- "Intelligenza artificiale per la predizione individuale: la dimensione frattale dell’encefalo nella atassia di Friedreich e nelle atassie spinocerebellari (SCA) nel network internazionale ENIGMA-Ataxia (FLEX-AI)" - elethon Seed Grant 2020

ATTIVITA' DIDATTICA

A.A. 2022-2023

Statistica Medica - Corso di Laurea Magistrale a Ciclo Unico in Odontoiatria e Protesi Dentaria - Università di Firenze, Italy

Biomedical Signal Processing and Machine Learning (Module 2) - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

A.A. 2021-2022

Biomedical Signal Processing and Machine Learning (Module 2) - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

Biological System Modeling (Module 2) - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

Tutor didattico del Laboratorio di ingegneria informatica biomedica - Alma Mater Studiorum Università di Bologna.

A.A. 2020-2021

Tutor didattico del Laboratorio di ingegneria informatica biomedica - Alma Mater Studiorum Università di Bologna.

A.A. 2018-2019

Attività didattica integrativa per l’insegnamento "Elaborazione di dati e segnali biomedici", corso di Laurea Magistrale in Ingegneria Biomedica dell’Università di Bologna, Campus di Cesena.

A.A. 2017-2018

Attività didattica integrativa per l’insegnamento "Elaborazione di dati e segnali biomedici", corso di Laurea Magistrale in Ingegneria Biomedica dell’Università di Bologna, Campus di Cesena.

A.A. 2016-2017

Attività didattica integrativa per l’insegnamento "Elaborazione di dati e segnali biomedici", corso di Laurea Magistrale in Ingegneria Biomedica dell’Università di Bologna, Campus di Cesena.

PRESENTAZIONI E SEMINARI SU INVITO 

- "Artificial intelligence and radiomics: good and bad habits", Memorial Dr. Fausto Chionne, DALL’INTELLIGENZA ARTIFICIALE ALLA MEDICINA PREDITTIVA E DI PRECISIONE QUALI SVILUPPI IN SANITÀ, Città della Pieve (Perugia) - Chiesa Sant’Agostino, 13 ottobre 2022

- "Buone pratiche per il machine learning", Scuola nazionale di Biofotonica ed Intelligenza Artificiale, Firenze, 5 settembre 2022

- "Validazione efficace dei modelli di machine learning", Scuola nazionale di Biofotonica ed Intelligenza Artificiale, Firenze, 7 settembre 2022

- "The fractal geometry of the brain", Scuola IMT Alti Studi Lucca, 8 luglio 2022

- "Artificial Intelligence in Neuroimaging: future challenges", Master di II livello in Data Science e Statistical Learning, 5 luglio 2022

- "Artificial Intelligence in Neuroimaging", 5th Seminar -D2 Seminar Series - Florence Center for Data Science, 15 ottobre 2021

- “From brain complexity in MRI to Artificial Intelligence for Health”, presso Istituto di Fisica Applicata "Nello Carrara" (IFAC) - Consiglio Nazionale delle Ricerche (CNR), 21 aprile 2021

- “A quick look at the fractal geometry of the brain”, presso MGH, Stroke Research Center, 175 Cambridge Street, MA, USA, 18 dicembre 2017

- “La geometria frattale del cervello”, presso Dipartimento di Matematica – Alma Mater Studiorum, Università di Bologna, 26 giugno 2017

- “Geometria frattale e neuroimmagini”, presso l’Unità di Radiodiagnostica dell’Ospedale “Versilia”, AUSL 12 Viareggio, Lido di Camaiore (Lu), 18 febbraio 2016

GRUPPI DI LAVORO INTERNAZIONALI

 - ENIGMA-Ataxia meta-analysis working group (2016 to present)

SOCIETà SCIENTIFICHE

- Associazione Italiana di Epidemiologia (AIE) - 2023

- Società Italiana di Statistica Medica ed Epidemiologia Clinica (SISMEC) - 2023

- IEEE e IEEE Engineering in Medicine and Biology Society, member: 2021 - oggi, student member: 2016-2020

- Gruppo Nazionale di Bioingegneria (GNB): 2016 - oggi

INTERESSI DI RICERCA

Tecniche di Machine Learning per l'analsi di dati di salute e medicina, armonizzazione di dati medici per le mega-analisi, stabilità della feature selection, analisi frattale delle neuro immagini e dei segnali fisiologici.

• Stabilità della Selezione delle features nell'Analisi di Dati ad Alta Dimensionalità: Applicazioni nella Ricerca Biomedica: questa tesi si concentra sulle tecniche di stabilità della selezione delle caratteristiche specificamente sviluppate per l'analisi di dati ad alta dimensionalità. Lo studio coinvolgerà la valutazione della stabilità e delle prestazioni di vari metodi di selezione delle features quando applicati a dati biomedici, in particolare caratteristiche derivate da risonanze magnetiche (MRI), al fine di identificare biomarcatori robusti associati a specifiche malattie o condizioni.

• Interpretare i Modelli di Machine Learning con una Prospettiva Statistica: Migliorare l'Interpretabilità e la Fiducia nei Modelli Predittivi: questa tesi si propone di esplorare i metodi statistici per migliorare l'interpretabilità e la trasparenza di modelli di Machine Learning. Lo studio investigherà diverse tecniche, come l'analisi dell'importanza delle caratteristiche, i metodi di interpretabilità indipendenti dal modello e gli approcci di interpretabilità post-hoc, al fine di fornire una comprensione dei fattori sottostanti che contribuiscono alle predizioni effettuate dagli algoritmi di Machine Learning. La ricerca coinvolgerà la valutazione dell'efficacia e dell'affidabilità di questi metodi di interpretazione in diversi ambiti, con un particolare enfasi sulle applicazioni biomediche.

• Machine Learning causale per l'imaging biomedico: Esplorazione del ruolo dell'inferenza causale nelle applicazioni biomediche: questa tesi si propone di indagare l'applicazione delle tecniche di apprendimento causale nel campo dell'imaging biomedico. Lo studio si concentrerà sull'utilizzo di metodi di inferenza causale per analizzare dati biomedici complessi, in particolare nel contesto di modalità di imaging mediche come la risonanza magnetica (MRI) e la tomografia computerizzata (CT). La ricerca prevede lo sviluppo e l'applicazione di algoritmi di apprendimento causale per identificare relazioni causali tra le caratteristiche dell'immagine e gli esiti clinici, consentendo una comprensione più approfondita dei meccanismi sottostanti e della progressione delle malattie. 

• Metodi Bayesiani per il Calcolo della Dimensione Frattale nel Neuroimaging: questa tesi si propone di sviluppare e perfezionare ulteriormente i metodi Bayesiani per il calcolo della dimensione frattale nel campo del neuroimaging. Sulla base di uno studio pilota, la ricerca si concentrerà sull'aumento dell'accuratezza e della precisione nella misurazione della complessità strutturale dei tessuti attraverso approcci Bayesiani avanzati. Lo studio esplorerà l'uso di tecniche di modellazione Bayesiana, come i metodi Markov Chain Monte Carlo (MCMC), per stimare la dimensione frattale dei dati di neuroimaging, in particolare nel contesto della risonanza magnetica cerebrale (MRI). La ricerca prevederà il perfezionamento degli algoritmi computazionali, l'ottimizzazione della selezione dei parametri e la valutazione delle prestazioni del metodo Bayesiano su ampi dataset. L'obiettivo finale è migliorare la comprensione della complessità dei tessuti e fornire misurazioni più affidabili e robuste della dimensione frattale negli studi di neuroimaging. Questa tesi contribuirà ad avanzare la nostra conoscenza delle tecniche di analisi della neuroimaging e delle loro applicazioni nella caratterizzazione della struttura cerebrale. In collaborazione con il Professor Stefano Diciotti dell'Università di Bologna.

In March 2016, Chiara Marzi received her Master's degree in Biomedical Engineering from Alma Mater Studiorum - University of Bologna, with a grade of 110/110 cum laude, for the discussion of an experimental thesis entitled "Fractal Geometry: analysis of cerebral lacunarity in MRI."

From November 2016 to March 2020, Dr. Marzi was enrolled in the "Biomedical, Electrical and Systems Engineering" Ph.D. program at the University of Bologna. During her doctoral activity, Chiara Marzi investigated theoretical aspects and high-efficiency computational implementation of 3D image processing methods based on fractal geometry. In particular, an implementation for fractal dimension (FD) computation was proposed that determined the spatial scales at which the brain is fractal, subject by subject, before estimating FD based on those scales. This improvement made the fractal dimension a measure capable of describing slight structural alterations (not visible to the human eye and not measurable by conventional metrics) of the human brain during physiological development and aging or under pathological conditions. The first release of the fractalbrain toolkit is freely available at https://github.com/chiaramarzi/fractalbrain-toolkit. For her Ph.D. thesis work, Chiara Marzi won the "Alberto Mazzoldi" 2020 Doctoral Prize established by the National Group for Bioengineering (GNB) and funded by the University of Pisa.

Dr. Marzi spent her first post-doc years as a postdoctoral research fellow at the department of Advanced Medical and Surgical Sciences, Vancitelli University, followd by a postdoctoral research fellowship at the Institute of Applied Physics "Nello Carrara" (IFAC) of the National Research Council (CNR). She participated in the projects INNI, Navigator, ProCancer-I, and Optimised to extract and analyze clinical imaging data with machine and deep learning techniques.

EDUCATION

2013 - Bachelor's Degree in Biomedical Engineering, Alma mater Studiorum - University of Bologna, Italy

2016 - Master's Degree in Biomedical Engineering, Alma mater Studiorum - University of Bologna, Italy

2020 - Ph.D. in Biomedical, Electrical, and System Engineering -  University of Bologna, Italy

EMPLOYMENT HISTORY

2020 - 2021: Postdoctoral Fellow, Department of Advanced Medical ad Surgical Sciences, University Vanvitelli, Naples, Italy.

2021 - 2022: Postdoctoral Fellow, Institure of Applied Physics, Research National Council (CNR), Sesto Fiorentino, Florence, Italy.

2022 to present: Junior Assistant Professor in Medical Statistics (Ricercatore in Statistica Medica MED/01), Department of Statistics, Computer Science and Applications, University of Florence, Italy.

AWARDS

- Best Ph.D. thesis award "Alberto Mazzoldi - Gruppo Nazionale di Bioingegneria

- Marco Polo scholarship, Alma Mater Studiorum - University of Bologna

MAIN NATIONAL AND INTERNATIONAL PROJECTS

- "Fractal Dimension Maps of brain MRI and decentralized deep learning for prediction in Friedreich ataxia and SCAs using the ENIGMA-Ataxia meta-dataset (FDM-AI)" - Telethon Seed Grant 2022

- "OPTIMISED": Creazione di un percorso ottimizzato per il flusso dei dati e la gestione del paziente con quadro clinico e radiologico compatibile con COVID-19" (bando RICERCA COVID-19 TOSCANA) 2020

- "An Imaging Biobank to Precisely Prevent and Predict cancer, and facilitate the Participation of oncologic patients to Diagnosis and Treatment (NAVIGATOR)" (bando RICERCA SALUTE 2018)

- "Intelligenza artificiale per la predizione individuale: la dimensione frattale dell’encefalo nella atassia di Friedreich e nelle atassie spinocerebellari (SCA) nel network internazionale ENIGMA-Ataxia (FLEX-AI)" - elethon Seed Grant 2020

TEACHING ACTIVITIES

A.A. 2022-2023

Medical Statistics - Corso di Laurea Magistrale a Ciclo Unico in Odontoiatria e Protesi Dentaria - University of Florence, Italy

Biomedical Signal Processing and Machine Learning (Module 2) - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

A.A. 2021-2022

Biomedical Signal Processing and Machine Learning (Module 2) - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

Biological System Modeling (Module 2) - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

Educational tutor for the Laboratory of Biomedical computer engineering - Alma Mater Studiorum Università di Bologna.

A.A. 2020-2021

Educational tutor for the Laboratory of Biomedical computer engineering - Alma Mater Studiorum Università di Bologna.

A.A. 2018-2019

Integrative teaching activity for Elaborazione di dati e segnali biomedici - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

A.A. 2017-2018

Integrative teaching activity for Elaborazione di dati e segnali biomedici - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

A.A. 2016-2017

Integrative teaching activity for Elaborazione di dati e segnali biomedici - Master's Degree in Biomedical Engineering - Alma Mater Studiorum Università di Bologna.

INVITED TALKS AND PRESENTATIONS 

- "Artificial intelligence and radiomics: good and bad habits", Memorial Dr. Fausto Chionne, DALL’INTELLIGENZA ARTIFICIALE ALLA MEDICINA PREDITTIVA E DI PRECISIONE QUALI SVILUPPI IN SANITÀ, Città della Pieve (Perugia), Chiesa Sant’Agostino, 13 ottobre 2022

- "Buone pratiche per il machine learning", Scuola nazionale di Biofotonica ed Intelligenza Artificiale, Firenze, 5 settembre 2022

- "Validazione efficace dei modelli di machine learning", Scuola nazionale di Biofotonica ed Intelligenza Artificiale, Firenze, 7 settembre 2022

- "The fractal geometry of the brain", Scuola IMT Alti Studi Lucca, 8 luglio 2022

- "Artificial Intelligence in Neuroimaging: future challenges", Master di II livello in Data Science e Statistical Learning, 5 luglio 2022

- "Artificial Intelligence in Neuroimaging", 5th Seminar -D2 Seminar Series - Florence Center for Data Science, 15 ottobre 2021

- “From brain complexity in MRI to Artificial Intelligence for Health”, presso Istituto di Fisica Applicata "Nello Carrara" (IFAC) - Consiglio Nazionale delle Ricerche (CNR), 21 aprile 2021

- “A quick look at the fractal geometry of the brain”, presso MGH, Stroke Research Center, 175 Cambridge Street, MA, USA, 18 dicembre 2017

- “La geometria frattale del cervello”, presso Dipartimento di Matematica – Alma Mater Studiorum, Università di Bologna, 26 giugno 2017

- “Geometria frattale e neuroimmagini”, presso l’Unità di Radiodiagnostica dell’Ospedale “Versilia”, AUSL 12 Viareggio, Lido di Camaiore (Lu), 18 febbraio 2016

INTERNATIONAL WORKING GROUPS

 - ENIGMA-Ataxia meta-analysis working group (2016 to present)

SCIENTIFIC SOCIETIES

- Associazione Italiana di Epidemiologia (AIE) - 2023

- Società Italiana di Statistica Medica ed Epidemiologia Clinica (SISMEC) - 2023

- IEEE e IEEE Engineering in Medicine and Biology Society, member: 2021 to present, student member: 2016-2020

- Gruppo Nazionale di Bioingegneria (GNB): 2016 to present

RESEARCH INTERESTS

Machine learning approches to analyse health data, health data harmonization for mega-analyses, feature selection stability, fractal analysis of neuro images and physiological signals.

• Feature Selection Stability in High-Dimensional Data Analysis: Applications in Biomedical Research: this thesis focuses on feature selection stability techniques specifically tailored for high-dimensional data analysis. The study will involve evaluating the stability and performance of various feature selection methods when applied to biomedical data, especially MRI-derived features, aiming to identify robust biomarkers or signatures associated with specific diseases or conditions.

• Explainability of Machine Learning Models from a Statistical Perspective: Enhancing Interpretability and Trust in Predictive Models: this thesis aims to explore the concept of explainability in machine learning models, focusing on statistical methods for improving the interpretability and transparency of these models. The study will investigate various techniques, such as feature importance analysis, model-agnostic interpretability methods, and post-hoc explainability approaches, to provide insights into the underlying factors that contribute to the predictions made by machine learning algorithms. The research will involve evaluating the effectiveness and reliability of these explainability methods in different domains, with a particular emphasis on biomedical applications. By developing a deeper understanding of the statistical aspects of model explainability, this thesis seeks to enhance the trustworthiness and acceptance of machine learning models in real-world decision-making processes.

• Causal Machine Learning for Biomedical Imaging: Exploring the Role of Causal Inference in Biomedical Applications: this thesis aims to investigate the application of causal machine learning techniques in the field of biomedical imaging. The study will focus on leveraging causal inference methods to analyze complex biomedical data, particularly in the context of medical imaging modalities such as MRI and CT. The research will involve developing and applying causal machine learning algorithms to identify causal relationships between imaging features and clinical outcomes, enabling a deeper understanding of the underlying mechanisms and disease progression.

• Bayesian Methods for Computing Fractal Dimension in Neuroimaging: Advancing the Measurement of Tissue Structural Complexity: this thesis aims to further develop and refine Bayesian methods for computing fractal dimension in the field of neuroimaging. Building upon a pilot study, the research will focus on enhancing the accuracy and precision of measuring tissue structural complexity through advanced Bayesian approaches. The study will explore the use of Bayesian modeling techniques, such as Markov Chain Monte Carlo (MCMC) methods, to estimate the fractal dimension of neuroimaging data, particularly in the context of brain MRI. The research will involve refining the computational algorithms, optimizing parameter selection, and evaluating the performance of the Bayesian method on larger datasets. The ultimate goal is to improve our understanding of tissue complexity and provide more reliable and robust measurements of fractal dimension in neuroimaging studies. This thesis will contribute to advancing our knowledge of neuroimaging analysis techniques and their applications in characterizing brain structure. In collaboration with Professor Diciotti from the University of Bologna.