{"id":32913,"date":"2024-09-26T11:25:51","date_gmt":"2024-09-26T09:25:51","guid":{"rendered":"https:\/\/neuronup.com\/?p=32913"},"modified":"2024-09-26T11:25:51","modified_gmt":"2024-09-26T09:25:51","slug":"diagnosi-differenziale-delle-eziologie-di-demenza-basata-sullia-su-dati-multimodali","status":"publish","type":"post","link":"https:\/\/neuronup.com\/it\/ricerca\/linee-di-ricerca\/diagnosi-differenziale-delle-eziologie-di-demenza-basata-sullia-su-dati-multimodali\/","title":{"rendered":"Diagnosi differenziale delle eziologie della 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 essa, affrontiamo molteplici rischi per la salute associati all’et\u00e0. Uno di questi rischi sono le demenze, la cui diagnosi aumenta di circa 10 milioni di nuovi casi ogni anno. Le demencias<\/a> sono un insieme di malattie caratterizzate dal deterioramento delle funzioni cognitive fino al punto da rendere difficili o impossibili le attivit\u00e0 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<\/a> o la demenza frontotemporale<\/a>.<\/p>\n\n\n\n

Come intervenire per ridurre i problemi associati alle demenze?<\/h3>\n\n\n\n

La risposta sarebbe correlata all’ottenimento di diagnosi precoci e precise<\/strong> che permettano terapie efficaci e specificamente mirate 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 talvolta difficilmente distinguibili nelle fasi iniziali<\/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 comporta un gran 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 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, a\u00fan se carece de una prueba diagn\u00f3stica de tipo \u201cGold Standard\u201d<\/strong>. Questo \u00e8 il nome che indica una prova diagnostica che possieda un’alta affidabilit\u00e0 nel diagnosticare una malattia specifica. Questo Gold Standard \u00e8 stato cercato principalmente attraverso i dati biologici senza successo fino ad ora.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Prova NeuronUP gratis per 7 giorni<\/h2>\n\n\n\n

Potrai collaborare con le nostre attivit\u00e0, progettare sedute o fare riabilitazione a distanza.<\/p>\n<\/div>\n\n\n\n

\n
\n
Comincia la tua prova<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n
<\/div>\n\n\n\n

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

Per ovviare a 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 grande insieme di dati di carattere eterogeneo<\/strong>. Questi dati sono eterogenei perch\u00e9 si basa su imitare il mondo reale<\/strong>; cio\u00e8, 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.<\/p>\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 per cui i ricercatori si sono rivolti a nove set di dati indipendenti riunendo pi\u00f9 di 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 ampio spettro di demenze e con cause multiple \u00e8 stato un passo fondamentale per ottenere una caratterizzazione ricca e varia che possa essere rappresentativa della realt\u00e0. Per questo sono stati inclusi pazienti che avevano demenza dovuta a molte cause diverse come alzheimer<\/a>, ictus, con degenerazione frontotemporale, degenerazione corticobasale, dovuta a 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 anche probabile che ci siano dati mancanti. Questo \u00e8 il contrario di 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 set di dati molto eterogenei che permettano al modello di apprendere ed essere il pi\u00f9 realistico possibile. Per risolvere il problema della perdita di dati, i ricercatori hanno applicato tecniche che forniranno la massima robustezza durante le prime fasi<\/strong>. L’implementazione di questi metodi e strategie robuste evita che l’addestramento dell’intelligenza artificiale sia distorto<\/strong> e pertanto anche le future predizioni. Inoltre sono stati seguiti procedure standardizzate di inclusione ed esclusione che hanno assicurato 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: la creazione di un modello che permetta di aggregare molteplici tipi di dati e parametri di diversa natura, ci\u00f2 che viene definito un’architettura di tipo \u201ctransformer\u201d. In questo tipo di modello si prendono tutte le diverse caratteristiche incluse e le si trasformano in ci\u00f2 che viene definito un \u201cvettore di lunghezza fissa\u201d seguendo una strategia specifica che permette di creare uno strato iniziale del modello sul quale si costruir\u00e0 il resto decodificando questo in una serie di predizioni.<\/p>\n\n\n\n

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 avr\u00e0 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; cio\u00e8, 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<\/strong> (vettore di lunghezza fissa). Per questo motivo il modello creato sar\u00e0 molto robusto di fronte alla perdita o incompletezza dei dati e sar\u00e0 in grado di effettuare predizioni affidabili<\/strong>.<\/p>\n\n\n\n

Apprendimento auto-supervisionato <\/h4>\n\n\n\n

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 necessit\u00e0 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.<\/p>\n\n\n\n

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

Quello 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 abituali in questo tipo di studio. <\/p>\n\n\n\n

L’addestramento \u00e8 consistito nell’alimentare il modello utilizzando dati delle diverse coorti, integrando tutte le modalit\u00e0 per apprendere pattern associati con i diversi tipi di demenza. Successivamente all’addestramento del modello \u00e8 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.<\/p>\n\n\n\n

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<\/strong>. Sono stati forniti i dati disponibili per ciascuno di questi 100 casi e si \u00e8 chiesto loro di fornire le loro impressioni diagnostiche, nonch\u00e9 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.<\/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

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

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.<\/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