{"id":31417,"date":"2024-10-10T16:39:01","date_gmt":"2024-10-10T14:39:01","guid":{"rendered":"https:\/\/neuronup.com\/it\/?p=31417"},"modified":"2025-02-28T10:13:21","modified_gmt":"2025-02-28T08:13:21","slug":"diagnosi-differenziale-delle-eziologie-di-demenza-basata-sullia-su-dati-multimodali","status":"publish","type":"post","link":"https:\/\/neuronup.com\/it\/notizie-su-neuronup\/diagnosi-differenziale-delle-eziologie-di-demenza-basata-sullia-su-dati-multimodali\/","title":{"rendered":"Diagnosi differenziale delle eziologie di demenza basata sull’IA su dati multimodali"},"content":{"rendered":"\n

Il ricercatore Antonio Javier Sutil Jim\u00e9nez espone in questo articolo i dati pi\u00f9 rilevanti sullo studio “Diagnosi differenziale delle eziologie della demenza basata su IA su dati multimodali”<\/em>. <\/p>\n\n\n\n

Perch\u00e9 \u00e8 importante lo studio sulla demenza e l’intelligenza artificiale (IA)?<\/h2>\n\n\n\n

La popolazione mondiale sta invecchiando e con ci\u00f2 affrontiamo molteplici rischi per la salute legati all’et\u00e0. Uno di questi rischi \u00e8 la demenza, la cui diagnosi cresce di circa 10 milioni di nuovi casi ogni anno. Le demenze<\/a> sono un insieme di malattie caratterizzate dal deterioramento delle funzioni cognitive fino a rendere difficili o impossibili le attivit\u00e0 quotidiane in modo indipendente. Tra queste spicca la malattia di Alzheimer, ma esistono molte altre forme come la demenza vascolare, la demenza a corpi di Lewy<\/a> o la demenza frontotemporale<\/a>.<\/p>\n\n\n\n

Come intervenire per ridurre i problemi associati alla demenza?<\/h3>\n\n\n\n

La risposta riguarda l’ottenimento di diagnosi precoci e precise<\/strong> che permettano di effettuare terapie efficaci e specificamente indirizzate a ciascuna malattia. Nel 2017, l’Organizzazione Mondiale della Sanit\u00e0 (OMS) ha gi\u00e0 dichiarato la necessit\u00e0 di migliorare le diagnosi per rispondere all’aumento dei casi di demenza a livello mondiale. Tuttavia, i diversi tipi di demenza sono a volte difficili da distinguere nelle prime fasi<\/strong> poich\u00e9 i sintomi associati a ciascuna demenza sono complessi. A ci\u00f2 si aggiunge che a volte le diverse demenze possono coesistere, il che porta a un elevato numero di errori diagnostici.<\/p>\n\n\n\n

Gold Standard <\/h3>\n\n\n\n

Queste diagnosi si sono basate principalmente su valutazioni neuropsicologiche. Tuttavia, queste diagnosi basate su test cognitivi e comportamentali sono state collegate a test che valutano campioni biologici come scansioni di risonanza, campioni di sangue o liquido cerebrospinale, tra gli altri. Nonostante i grandi sforzi, manca ancora un test diagnostico del tipo “Gold Standard”<\/strong>. Questo termine indica un test diagnostico che abbia un’elevata affidabilit\u00e0 nel diagnosticare una malattia specifica. Questo Gold Standard \u00e8 stato ricercato principalmente attraverso dati biologici, ma senza successo finora.<\/p>\n\n\n\n

Soluzione basata sull’intelligenza artificiale (IA)<\/h3>\n\n\n\n

Per risolvere questa situazione, un gruppo di ricercatori dell’Universit\u00e0 di Boston, insieme a ricercatori di tutti gli Stati Uniti, ha proposto una soluzione basata sull’intelligenza artificiale che permetterebbe di lavorare con un vasto insieme di dati eterogenei<\/strong>. Questi dati sono eterogenei perch\u00e9 si basano sulimitare il mondo reale<\/strong>; cio\u00e8, usare gli stessi strumenti che un professionista clinico utilizzerebbe per risolvere il problema della diagnosi e della prevenzione delle demenze. I molteplici tipi di dati affrontati sono: sociodemografici, neurologici, fisici, storia medica e scansioni di risonanza.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Iscriviti<\/strong>
alla nostra
Newsletter<\/h2>\n\n\n\n
\n
Iscriviti<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Cosa \u00e8 stato fatto?<\/h2>\n\n\n\n

Per poter applicare un modello basato sull’intelligenza artificiale era necessaria una quantit\u00e0 massiccia di dati, quindi i ricercatori hanno fatto ricorso a nove insiemi di dati indipendenti, riunendo oltre 51.000 pazienti con diversi tipi di demenza<\/strong>. <\/p>\n\n\n\n

Pazienti con diversi tipi di demenza <\/h3>\n\n\n\n

L’inclusione di un’ampia gamma di demenze e di cause multiple \u00e8 stata un passo fondamentale per ottenere una caratterizzazione ricca e varia che potesse essere rappresentativa della realt\u00e0. Per questo motivo sono stati inclusi pazienti con demenza dovuta a molte cause diverse come Alzheimer, ictus, degenerazione frontotemporale, degenerazione corticobasale, infezioni, abuso di droghe, ecc.<\/p>\n\n\n\n

Problema della perdita di dati <\/h4>\n\n\n\n

Tuttavia, questo approccio basato su una grande quantit\u00e0 di dati rende probabile anche la perdita di dati. Questo \u00e8 il caso opposto agli ambienti molto controllati e con un numero pi\u00f9 ridotto di pazienti, in cui si minimizza la perdita di dati. In questo caso, l’approccio richiede grandi insiemi di dati molto eterogenei che permettano al modello di apprendere e essere il pi\u00f9 realistico possibile. Per risolvere il problema legato alla perdita di dati, i ricercatori hanno applicato tecniche che fornissero la massima robustezza nelle prime fasi<\/strong>. L’implementazione di questi metodi e strategie robuste evita che l’addestramento dell’intelligenza artificiale sia distorto<\/strong> e quindi anche le previsioni future. Inoltre, sono state seguite procedure standardizzate di inclusione ed esclusione che hanno garantito la coerenza e la credibilit\u00e0 dei risultati.<\/p>\n\n\n\n

Modello di tipo “transformer”<\/h4>\n\n\n\n

A questo punto si pone anche una sfida importante, ovvero la creazione di un modello che permetta di aggregare molteplici tipi di dati e parametri di diversa natura, il che viene chiamato un’architettura di tipo “transformer”. In questo tipo di modello, tutte le caratteristiche diverse vengono trasformate in quello che viene definito un “vettore di lunghezza fissa” seguendo una strategia specifica che consente di creare un primo strato del modello su cui verr\u00e0 costruito il resto decodificando queste informazioni in una serie di previsioni.<\/p>\n\n\n\n

Per comprenderlo meglio, possiamo pensare a questo modello come a una ricetta di cucina, solo che invece di avere diversi passaggi come in una ricetta, il modello avr\u00e0 diversi strati. Ma, allo stesso modo in cui per ottenere un buon piatto servono buoni ingredienti che si combinino correttamente, i ricercatori volevano un buon sistema di classificazione dei pazienti e avevano bisogno che i loro ingredienti, cio\u00e8 i dati, fossero buoni e combinabili correttamente. Nel nostro esempio, questo modello di intelligenza artificiale consisterebbe nel trasformare i diversi dati in un formato comune<\/strong> (vettore di lunghezza fissa). Per questo motivo il modello creato sar\u00e0 molto robusto alla perdita o incompletezza di dati e sar\u00e0 in grado di fornire previsioni affidabili<\/strong>.<\/p>\n\n\n\n

Apprendimento autosupervisionato <\/h4>\n\n\n\n

Nello specifico, hanno utilizzato un tipo di modello denominato apprendimento autosupervisionato. In questo approccio di apprendimento automatico, il modello apprende dai dati senza la necessit\u00e0 di etichette esplicite. A differenza dell’apprendimento supervisionato, che richiede un insieme di dati con etichette, l’apprendimento autosupervisionato si basa sulla ricerca di strutture e schemi nei dati senza l’intervento diretto dell’uomo per etichettarli.<\/p>\n\n\n\n

Fase di addestramento, validazione e confronto con esperti<\/h4>\n\n\n\n

Ci\u00f2 che \u00e8 seguito nello sviluppo del modello \u00e8 stata la fase di addestramento, validazione e confronto con esperti. I processi di addestramento e validazione sono comuni in questo tipo di studi. <\/p>\n\n\n\n

L’addestramento ha consistito nell’alimentare il modello con dati provenienti dalle diverse coorti, integrando tutte le modalit\u00e0 per apprendere schemi associati ai diversi tipi di demenza. Successivamente all’addestramento, \u00e8 stata effettuata la validazione utilizzando dati non visti in precedenza, per assicurarsi che il modello potesse generalizzare le sue previsioni su dati sconosciuti.<\/p>\n\n\n\n

Infine, in modo innovativo, i ricercatori hanno confrontato le diagnosi effettuate dal modello con medici specializzati nella diagnosi delle demenze. A tal fine, hanno invitato un gruppo di 12 neurologi e 7 neuroradiologi a partecipare a compiti di diagnosi su un sottoinsieme di 100 casi con diversi tipi di demenza<\/strong>. Sono stati forniti loro i dati disponibili per ciascuno di questi 100 casi e sono stati invitati a fornire le loro impressioni diagnostiche, insieme a un punteggio di fiducia che variava da 0 a 100 per la diagnosi di ciascuna delle 13 etichette possibili. In questo punto si voleva sapere se i giudizi clinici potessero essere migliorati utilizzando il modello creato.<\/p>\n\n\n\n

Quali sono le principali conclusioni di questo studio sulla demenza e sull’intelligenza artificiale (IA)?<\/h2>\n\n\n\n

I risultati principali possono essere suddivisi in tre parti: classificazione sani vs deterioramento, classificazione delle patologie e miglioramento del criterio clinico utilizzando il modello.<\/p>\n\n\n\n

Lo studio ha valutato le prestazioni di un modello di intelligenza artificiale (IA) per classificare gli individui in tre categorie cognitive:<\/p>\n\n\n\n