Diagnosi differenziale delle eziologie della demenza basata sull’IA su dati multimodali

Il ricercatore Antonio Javier Sutil Jiménez espone in questo articolo i dati più rilevanti sullo studio “Diagnosi differenziale delle eziologie della demenza basata su IA su dati multimodali”.

Perché è importante lo studio sulla demenza e l’intelligenza artificiale (IA)?

La popolazione mondiale sta invecchiando e con essa, affrontiamo molteplici rischi per la salute associati all’età. Uno di questi rischi sono le demenze, la cui diagnosi aumenta di circa 10 milioni di nuovi casi ogni anno. Le demencias sono un insieme di malattie caratterizzate dal deterioramento delle funzioni cognitive fino al punto da rendere difficili o impossibili le attività della vita quotidiana in modo indipendente. Tra queste spicca la malattia di Alzheimer, ma ne esistono molte altre come la demenza vascolare, la demenza a corpi di Lewy o la demenza frontotemporale.

Come intervenire per ridurre i problemi associati alle demenze?

La risposta sarebbe correlata all’ottenimento di diagnosi precoci e precise che permettano terapie efficaci e specificamente mirate a ciascuna malattia. Nel 2017, l’Organizzazione Mondiale della Sanità (OMS) ha già dichiarato la necessità di migliorare le diagnosi per rispondere all’aumento dei casi di demenza a livello mondiale. Tuttavia, i diversi tipi di demenza sono talvolta difficilmente distinguibili nelle fasi iniziali poiché i sintomi associati a ciascuna demenza sono complessi. A ciò si aggiunge che a volte le diverse demenze possono coesistere, il che comporta un gran numero di errori diagnostici.

Gold Standard

Queste diagnosi si sono basate principalmente su valutazioni neuropsicologiche. Tuttavia, queste diagnosi basate su test cognitivi e comportamentali sono state cercate di collegare a test che valutino campioni biologici come possono essere risonanze, campioni di sangue o liquido cerebrospinale, tra gli altri. Nonostante i grandi sforzi, aún se carece de una prueba diagnóstica de tipo “Gold Standard”. Questo è il nome che indica una prova diagnostica che possieda un’alta affidabilità nel diagnosticare una malattia specifica. Questo Gold Standard è stato cercato principalmente attraverso i dati biologici senza successo fino ad ora.

Soluzione basata sull’intelligenza artificiale (IA)

Per ovviare a questa situazione, un gruppo di ricercatori dell’Università di Boston insieme a ricercatori di tutti gli Stati Uniti ha proposto una soluzione basata sull’intelligenza artificiale che permetterebbe di lavorare con un grande insieme di dati di carattere eterogeneo. Questi dati sono eterogenei perché si basa su imitare il mondo reale; cioè, utilizzare gli stessi strumenti che un professionista clinico utilizzerebbe per fornire una soluzione al problema della diagnosi e della prevenzione esistente rispetto alle demenze. I molteplici tipi di dati affrontati sono: sociodemografici, neurologici, fisici, anamnesi medica e scansioni di risonanza.

Cosa è stato fatto?

Per poter applicare un modello basato sull’intelligenza artificiale era necessaria una quantità massiccia di dati per cui i ricercatori si sono rivolti a nove set di dati indipendenti riunendo più di 51.000 pazienti con diversi tipi di demenza. 

Pazienti con diversi tipi di demenza

L’inclusione di un ampio spettro di demenze e con cause multiple è stato un passo fondamentale per ottenere una caratterizzazione ricca e varia che possa essere rappresentativa della realtà. Per questo sono stati inclusi pazienti che avevano demenza dovuta a molte cause diverse come alzheimer, ictus, con degenerazione frontotemporale, degenerazione corticobasale, dovuta a infezioni, abuso di droghe, ecc.

Problema della perdita di dati

Tuttavia, questo approccio basato su una grande quantità di dati rende anche probabile che ci siano dati mancanti. Questo è il contrario di ambienti molto controllati e con un numero più ridotto di pazienti, in cui si minimizza la perdita di dati. In questo caso, l’approccio richiede grandi set di dati molto eterogenei che permettano al modello di apprendere ed essere il più realistico possibile. Per risolvere il problema della perdita di dati, i ricercatori hanno applicato tecniche che forniranno la massima robustezza durante le prime fasi. L’implementazione di questi metodi e strategie robuste evita che l’addestramento dell’intelligenza artificiale sia distorto e pertanto anche le future predizioni. Inoltre sono stati seguiti procedure standardizzate di inclusione ed esclusione che hanno assicurato la coerenza e la credibilità dei risultati.

Modello di tipo “transformer”

A questo punto si pone anche una sfida importante: la creazione di un modello che permetta di aggregare molteplici tipi di dati e parametri di diversa natura, ciò che viene definito un’architettura di tipo “transformer”. In questo tipo di modello si prendono tutte le diverse caratteristiche incluse e le si trasformano in ciò che viene definito un “vettore di lunghezza fissa” seguendo una strategia specifica che permette di creare uno strato iniziale del modello sul quale si costruirà il resto decodificando questo in una serie di predizioni.

Per capirlo meglio, possiamo pensare a questo modello come a una ricetta di cucina solo che invece dei diversi passaggi come in una ricetta, il modello avrà diversi strati. Ma allo stesso modo in cui per ottenere un buon piatto dopo la cottura, abbiamo bisogno di buoni ingredienti che si combinino adeguatamente. I ricercatori volevano un buon sistema di classificazione dei pazienti e avevano bisogno che i loro ingredienti; cioè, i dati di partenza fossero buoni e potessero combinarsi adeguatamente. Nel nostro paragone con questo modello di intelligenza artificiale sarebbe trasformare i diversi dati che abbiamo in un formato comune (vettore di lunghezza fissa). Per questo motivo il modello creato sarà molto robusto di fronte alla perdita o incompletezza dei dati e sarà in grado di effettuare predizioni affidabili.

Apprendimento auto-supervisionato

In particolare utilizzano un tipo di modello denominato di apprendimento auto-supervisionato. In questo approccio di apprendimento automatico il modello apprende a partire dai dati senza la necessità di etichette esplicite. A differenza dell’apprendimento supervisionato, che richiede un set di dati con etichette, l’apprendimento auto-supervisionato si basa nel trovare strutture e schemi nei dati senza l’intervento umano diretto per etichettarli.

Fase di addestramento, validazione e confronto con esperti

Quello che è seguito nello sviluppo del modello è stata la fase di addestramento, validazione e confronto con esperti. I processi di addestramento e validazione sono abituali in questo tipo di studio.

L’addestramento è consistito nell’alimentare il modello utilizzando dati delle diverse coorti, integrando tutte le modalità per apprendere pattern associati con i diversi tipi di demenza. Successivamente all’addestramento del modello è stata effettuata la validazione che consiste nell’utilizzo di dati non visti precedentemente, per assicurare che il modello possa generalizzare le sue predizioni su dati a lui sconosciuti.

Infine e in modo innovativo, i ricercatori hanno confrontato le diagnosi effettuate dal modello con medici specializzati nella diagnosi delle demenze. Per questo, hanno invitato un gruppo di 12 neurologi e 7 neuroradiologi a partecipare a compiti diagnostici su un sottoinsieme di 100 casi con diversi tipi di demenza. Sono stati forniti i dati disponibili per ciascuno di questi 100 casi e si è chiesto loro di fornire le loro impressioni diagnostiche, nonché un punteggio di fiducia che oscillava tra 0 e 100 per la diagnosi di ciascuna delle 13 etichette possibili. In questo modo si voleva sapere se i giudizi clinici potessero migliorare utilizzando il modello creato.

Quali sono le principali conclusioni di questo studio sulla demenza e l’intelligenza artificiale (IA)?

I risultati principali possono essere divisi in tre parti: classificazione sani vs deterioramento, classificazione delle patologie e il miglioramento del giudizio clinico usando il modello.

Lo studio ha valutato le prestazioni di un modello di intelligenza artificiale (IA) per classificare gli individui in tre categorie cognitive:

• sani o cognitivamente normali,
• deterioramento cognitivo lieve
• e demenza.

Le metriche utilizzate per valutare le prestazioni del modello sono state le curve ROC e PR. I risultati ottenuti possono essere osservati nella seguente (tabella 1).

• Le metriche ottenute per i modelli ROC riflettono un’elevata capacità del modello di differenziare le tre classi menzionate, poiché queste metriche vengono valutate da 0 a 1, e un valore prossimo a uno è indicativo di un’eccellente classificazione.
• Per le metriche AUAP i valori continuano a indicare un buon rendimento del modello, essendo necessario considerare ogni classe.

	AUROC	AUAP
Micro	0.94	0.90
Macro	0.93	0.84
Weight	0.94	0.87

Il secondo risultato dello studio è stato relativo alla capacità del modello di diagnosticare dieci diversi tipi di demenza, mostrando risultati molto significativi in termini di precisione diagnostica.

• I risultati delle metriche AUROC mostrano nuovamente una grande efficacia del modello, che è in grado di distinguere nella maggior parte dei casi tra i tipi di demenza.
• D’altra parte, i modelli AUPR continuano a mostrare che il modello ha un buon rendimento, sebbene non eccellente (vedi tabella 2), il che indicherebbe che il modello è più preciso in alcune malattie rispetto ad altre.

	AUROC	AP
Micro	0.96	0.70
Macro	0.90	0.36
Weight	0.94	0.73

Infine, riguardo alla valutazione clinica assistita da IA, i risultati indicano che potrebbe aumentare la precisione diagnostica rispetto a quella che realizzerebbe un professionista clinico da solo. Ciò è visibile dalla significativa miglioria nella classificazione dei tipi di demenza. Per esempio:

I neurologi hanno migliorato:

• un 12% nella rilevazione del deterioramento cognitivo lieve,
• un 15% nell’Alzheimer,
• un 26% per la demenza frontotemporale seguendo i valori AUROC.
• particolarmente rilevante è stato il miglioramento per la malattia da prioni che è migliorata del 73%.

I radiologi:

• per la demenza di tipo Alzheimer hanno migliorato del 9%
• un 6% per la demenza frontotemporale,
• notevole anche il miglioramento per la malattia da prioni con il 68%.

In conclusione, possiamo dedurre che futuri modelli basati sull’intelligenza artificiale potrebbero essere di grande aiuto per la differenziazione diagnostica quando questa si basa sulla natura multifattoriale dei diversi tipi di demenza. Questo potrebbe non solo migliorare la diagnosi ma anche facilitare la personalizzazione di trattamenti e interventi nelle fasi precoci della malattia.

Dove NeuronUP potrebbe contribuire a uno studio come questo?

Da NeuronUP si può contribuire in diversi modi a uno studio come questo.

1. Da NeuronUP si può contribuire all’implementazione di strutture e tecnologie che permetterebbero di replicare o riprodurre uno studio di queste caratteristiche dato che i dataset utilizzati sono di libero utilizzo.
2. Si potrebbe replicare lo studio o riprodurlo utilizzando una procedura diversa che fosse più precisa o meno costosa.
3. Inoltre, si potrebbero applicare tecniche e modelli che permettano di essere più precisi e di differenziare quali tipi di dati contribuiscono maggiormente al modello o se è possibile ottenere buone metriche di classificazione utilizzando un solo tipo di dati. Un esempio di ciò sarebbe l’utilizzo di dati neuropsicologici e sociodemografici per cercare di ottenere risultati simili.
4. Inoltre, NeuronUP dispone di una grande banca dati di carattere neurocognitivo, quindi si potrebbe cercare di realizzare classificazioni simili che affinino in quali aspetti di carattere neurocognitivo potrebbero facilitare una rilevazione precoce e la predizione del deterioramento. Questo è particolarmente rilevante dato che le demenze continuano ad avere un importante carattere neuropsicologico e di impatto comportamentale. Negli ultimi anni si sono compiuti grandi progressi nella ricerca di biomarcatori, ma la qualità della vita del paziente rimane fondamentale ed è la principale preoccupazione per lui e i suoi cari. Pertanto una maggiore precisione in questo ambito o l’elaborazione di un profilo cognitivo basato su test cognitivi potrebbe essere di grande utilità.
5. Proseguendo con l’aspetto neurocognitivo, dato che questo non è ampiamente affrontato nell’articolo si potrebbe fare uso delle grandi banche dati di cui dispone NeuronUP per riprodurre lo studio con una nuova coorte di pazienti. Inoltre, il tipo di dati neuropsicologici utilizzati nello studio non è descritto; potrebbero esserci diversi domini cognitivi più rilevanti.

Ricercatore principale: Il Dr. Vijaya B. Kolachalama è professore associato presso l’Università di Boston e ricercatore principale del Kolachalama Lab nella stessa università. Il suo lavoro è principalmente rivolto all’applicazione dell’intelligenza artificiale a problemi medici. La sua missione è creare strumenti che aiutino i neurologi in scenari reali, principalmente nelle malattie neurodegenerative.

Bibliografia

• Xue, C., Kowshik, S.S., Lteif, D. et al. “Diagnosi differenziale delle eziologie di demenza basata su IA su dati multimodali”. Nat Med (2024). https://doi.org/10.1038/s41591-024-03118-z

Se ti è piaciuto questo post del blog sulla diagnosi differenziale delle eziologie di demenza basata su IA su dati multimodali, sicuramente ti interesseranno questi articoli di NeuronUP: