Emma „Science“ Prévot, 25, erstellt digitale Zwillinge, um Krankheiten besser zu verstehen

Sie nennen sie „Science“. Diesen Spitznamen hat ihr ihre Schwester gegeben. Mit 25 Jahren hat Emma Prévot gerade den Super Nova 2025-Preis erhalten , der an das beste italienische Talent unter 25 Jahren unter den 111 ausgewählten Studenten der Nova-Liste verliehen wird. Sie studiert in Oxford, wo sie in Statistik promoviert und Modelle der künstlichen Intelligenz für die Medizin entwickelt .

Eine vielversprechende junge Frau, die der Neugier folgte, die durch ein Buch, „The Devil’s Physics“ , geweckt wurde, der Leidenschaft für Mathematik, die ihr ein Highschool-Lehrer vermittelte, und einer Frage, die noch immer offen ist: „Warum verlor mein geliebter Großvater, der zwei Tumore besiegt hatte, den Verstand und starb innerhalb von zwei Jahren an Alzheimer?“

Emma hat einen Bachelor of Science in Physik vom University College London: Zwei Jahre in Folge wurde sie als beste Studentin ihres Studiengangs ausgezeichnet. Im zweiten Jahr war sie die beste Studentin der gesamten Fakultät für Ingenieurwissenschaften. „ Ich bin kein Streber, aber eines kann ich nicht ausstehen: Zeitverschwendung .“

Heute arbeitet sie an KI-Modellen für neurodegenerative Erkrankungen. Ich interviewe sie in Singapur , es ist 22 Uhr. Sie hat gerade die BayesComp 2025 verlassen, eine internationale Konferenz zum Bayesschen Maschinellen Lernen.

„Ich habe einen kausalen Algorithmus für maschinelles Lernen vorgestellt , der speziell auf das Erkennen kausaler Zusammenhänge zwischen verschiedenen Variablen ausgelegt ist und in der Lage ist, die Wirkung einer medizinischen Behandlung im Zeitverlauf zu simulieren.“

Sein Poster trägt den Titel „Erweiterung bayesscher kausaler Wälder für die Längsschnittdatenanalyse: Eine Fallstudie zu Multipler Sklerose“. „Denken Sie an klinische Studien: Ich erhalte ein Medikament, eine andere Person erhält ein Placebo oder eine andere Behandlung, vielleicht von einem Konkurrenzunternehmen. Um wirklich zu verstehen, welche Wirkung das Medikament auf mich hatte, bräuchten wir ein Doppelgänger von mir, der zur gleichen Zeit, mit denselben biologischen Merkmalen wie ich, das Medikament aber nicht erhalten hat. Hier versuche ich, eine reduzierte Version dieses „digitalen Zwillings“ zu erstellen . Es ist keine vollständige Nachbildung des menschlichen Körpers, aber er enthält die Variablen, die im Zusammenhang mit dieser Behandlung wichtig sind: Es ist, als könnte ich beispielsweise schätzen, wie mein Blutdruck an einem bestimmten Tag gewesen wäre, wenn ich dieses Medikament nicht genommen hätte. Es gibt bereits Modelle für diese Art von Analyse, aber ich habe eines so modifiziert, dass es mit Längsschnittdatensätzen funktioniert, also mit über einen bestimmten Zeitraum gesammelten Daten. Mein Modell kann langfristige Vorhersagen treffen: Wie wäre beispielsweise Emmas Blutdruck nach einem Jahr oder nach drei Besuchen gewesen, wenn sie dieses Medikament nie eingenommen hätte?“

In den nächsten Tagen fliegt er nach Brisbane, Australien , zur OHBM 2025, der Jahreskonferenz der Organisation für Human Brain Mapping. Dort wird er eine zweite Arbeit vorstellen. Titel: „BARTharm: MRI-Harmonisierung mithilfe von Bildqualitätsmetriken und Bayesian Non-parametric“ . Ein Projekt, das sich einer konkreten Herausforderung in der Neurobildgebung widmet. Er wird einen Algorithmus vorstellen, der eine der strukturellen Grenzen dieses Bereichs überwindet : die Schwierigkeit, mit verschiedenen Geräten aufgenommene Gehirnbilder zu vergleichen.

Stellen Sie sich zwei MRTs vor: eines in Crema mit einem vor zehn Jahren gekauften Scanner, das andere in London mit einem Gerät der neuesten Generation. Selbst wenn beide Patienten die gleiche Pathologie haben, gibt es Unterschiede in den Bildern, die nicht vom Gehirn, sondern vom Scanner abhängen . Dies ist ein bekanntes Problem in der Neurobildgebung, und aus diesem Grund werden Harmonisierungstechniken angewendet: Sie dienen dazu, diese instrumentellen Verzerrungen auszugleichen.

Das Neue an seinem Ansatz ist jedoch, dass er dies auch ohne ein entscheidendes Datenelement tun kann: die Scanner-ID . „Diese ID ist in Datensätzen oft nicht verfügbar. Mein Algorithmus nutzt andere Informationen und kann die Bilder harmonisieren, ohne die Scanner-ID zu kennen. Auf diese Weise können wir auch Daten wiederherstellen, die bisher in Studien nicht berücksichtigt wurden.“

Italienische Mutter, französischer Vater, geboren und aufgewachsen in Crema , Provinz Cremona. Naturwissenschaftliches Gymnasium für angewandte Wissenschaften. Sie kämpft darum, ihr viertes Jahr im Ausland absolvieren zu können, doch die Lehrer raten ihren Eltern zur Vorsicht: Sie riskiert, ihr Abitur nicht mit Bestnote zu bestehen. Kein Jahr entfernt. „Mein Vater sagte mir: Mach hier dein Abitur und dann geh, wohin du willst.“ Im Herbst ihres fünften Gymnasiumjahres beginnt sie, sich nach ausländischen Universitäten umzusehen. Mit Verspätung bewirbt sie sich in Oxford und Cambridge, für andere Ziele jedoch nicht. Sie erhält ein Angebot aus Manchester, zwei Tage später kommt der Brief vom UCL: Physik in London.

Ich lebte in einem winzigen Zimmer, aber die Welt, die sich mir in der Stadt eröffnete, war riesig. Ich habe mich auf medizinische Physik spezialisiert. Ich habe den menschlichen Körper als physikalisches System immer mit großem Interesse betrachtet. Das Gehirn als Kreislauf, das Blut als Flüssigkeit .

Er befasst sich mit einer Bachelorarbeit über ein Projekt der künstlichen Intelligenz. Anschließend beschließt er, die Grundlagen des maschinellen Lernens im Rahmen eines Masterstudiums zu verstehen und legt damit die technischen Grundlagen für das, was zum Kern seiner Arbeit werden wird. Schließlich kommt er nach Oxford, um in Statistik zu promovieren.

„In der High School hatte ich eine Lehrerin, die mir die Mathematik näher brachte. Sie drängte mich sogar dazu, an den Olympischen Spielen in Cesenatico teilzunehmen. Und ich war oft das einzige Mädchen im Raum. Diejenige, die manchmal gefragt wurde: Wo ist die Toilette? “

In seinem fünften Jahr entdeckte er die moderne Physik.

Quantenphysik und Astrophysik: Ich ging nach Hause und suchte nach Büchern zum Lesen. So fand ich „Die Physik des Teufels“ von James Al-Khalili, ein Buch, in dem jedes Kapitel ein physikalisches Paradoxon beschreibt. Da wurde mir klar, dass ich dieses Studium einfach fortsetzen wollte. Was mich an der Physik am meisten fasziniert, ist alles, was ich nicht verstehe: die Quantenphysik, die Paradoxien, die Materie, die sich seltsam und unintuitiv verhält: Daher rührt mein Wissensdurst. Eines der schönsten Bücher überhaupt, das ich mindestens zehnmal gelesen habe, ist „Die Ordnung der Zeit “ von Carlo Rovelli.

Letztes Jahr erhielt Emma auf dem Quirinal den Preis Giovane Italia 2024, der vom CNR gefördert wird, um Talente unter 35 Jahren in allen Bereichen zu fördern. „Ich verdanke alles der Erziehung, die ich in meiner Familie erhalten habe. Sie hat mein Engagement immer anerkannt, wenn ich etwas Gutes getan habe. Meine Eltern haben mich immer ermutigt und gesagt: ‚Ja, los geht‘, ‚Ja, mach es‘, ‚Ja, gut, wir erkennen dein Potenzial‘. Investiere in dich selbst, gib 100 %, und wir investieren in dich. Noch heute bitten mich meine Eltern, ihnen genau zu erklären, was ich tue.“

Was haben Sie gelernt, das uns allen helfen kann?

Mein Mantra lautet: Wenn du keine Lösung hast, hast du kein Problem. Ich beschwere mich oft, weil mein Code nicht funktioniert, der Algorithmus nicht funktioniert, ich einen Zug verpasse oder aus irgendeinem Grund. Aber wenn es keine Lösung gibt, hast du kein Problem … du musst es einfach laufen lassen .

Dieses Mantra hilft mir, „genug, Veränderung“ zu sagen: Es hat keinen Sinn, sich weiterhin den Kopf über etwas zu zerbrechen, für das es keine Lösung gibt. Und vielleicht kommt die Lösung ja morgen. Auf wissenschaftlicher Ebene habe ich dann verstanden, dass es für alles eine einfache Erklärung gibt. Wenn man es also nicht gut erklären kann, hat man es nicht verstanden.

Werden Sie nach Italien zurückkehren?

„Es ist das schönste Land der Welt. Ja, vielleicht im Ruhestand …“