Ricerche

I modelli di apprendimento profondo rappresentano “un paradigma completamente nuovo" per lo studio della demenza.

Ricercatori del Mount Sinai di New York hanno esaminato le caratteristiche strutturali e cellulari dei tessuti cerebrali umani con nuovi metodi di intelligenza artificiale per aiutare a determinare le cause del morbo di Alzheimer (MA) e di altri disturbi correlati, in uno studio pubblicato su Acta Neuropatologica Communications il 20 settembre.

Il team di ricerca ha scoperto che studiare le cause del deterioramento cognitivo con un metodo imparziale basato sull'intelligenza artificiale, al contrario di marcatori tradizionali come le placche amiloidi, rivela anomalie microscopiche impreviste che possono prevedere la presenza del deterioramento cognitivo.

"L'intelligenza artificiale rappresenta un paradigma completamente nuovo per lo studio della demenza e avrà un effetto trasformativo per la ricerca su malattie cerebrali complesse, in particolare il MA", ha dichiarato il coautore senior John Crary MD/PhD, professore di Patologia, Medicina Molecolare e Cellulare, di Neuroscienze, Intelligenza Artificiale e Sanità Umana, al Mount Sinai. "L'approccio di apprendimento profondo è stato applicato alla previsione della compromissione cognitiva, un problema impegnativo per il quale non esiste attualmente uno strumento diagnostico istopatologico testato sull'uomo".

Il team del Mount Sinai ha identificato e analizzato l'architettura sottostante e le caratteristiche cellulari di due regioni nel cervello, il lobo temporale mediale e la corteccia frontale. Nel tentativo di migliorare lo standard della valutazione del cervello post mortem per identificare i segni delle malattie, i ricercatori hanno usato un algoritmo di apprendimento profondo poco supervisionato per esaminare le immagini delle diapositive dei tessuti dell'autopsia cerebrale umana provenienti da un gruppo di oltre 700 donatori anziani, e prevedere la presenza o l'assenza di compromissione cognitiva.

L'approccio di apprendimento profondo poco supervisionato è in grado di gestire fonti rumorose, limitate o imprecise per fornire segnali che marcano grandi quantità di dati di addestramento in un ambiente di apprendimento supervisionato. Questo modello di apprendimento profondo è stato usato per individuare una riduzione della colorazione rapida blu Luxol, impiegata per quantificare la quantità di mielina, lo strato protettivo attorno ai nervi cerebrali.

I modelli di apprendimento automatico hanno identificato un segnale del deterioramento cognitivo associato a quantità decrescenti di colorazione della mielina, sparso in uno schema non uniforme in tutto il tessuto e focalizzato sulla materia bianca, che influenza l'apprendimento e le funzioni cerebrali. I due set di modelli addestrati e usati dai ricercatori sono riusciti a prevedere la presenza di deterioramento cognitivo con un'accuratezza migliore di indovinare a casualmente.

Nella loro analisi, i ricercatori ritengono che l'intensità ridotta di colorazione, in particolari aree del cervello identificate dall'intelligenza artificiale, possa fungere da piattaforma scalabile per valutare la presenza di compromissione del cervello in altre malattie associate. La metodologia pone le basi per studi futuri, che potrebbero includere la distribuzione di modelli di intelligenza artificiale su larga scala, nonché un'ulteriore dissezione degli algoritmi per aumentarne la precisione e l'affidabilità predittiva.

Il team ha affermato che, in definitiva, l'obiettivo di questo programma di ricerca neuropatologica è sviluppare strumenti migliori per la diagnosi e il trattamento delle persone che soffrono di MA e dei disturbi correlati.

"L'intelligenza artificiale ci consente di esaminare le caratteristiche rilevanti di esponenzialmente più malattie, un approccio potente se applicato a un sistema complesso come il cervello umano", ha dichiarato il coautore senior Kurt W. Farrell PhD, assistente professore di Patologia, Medicina Molecolare e Cellulare, di Neuroscienze e di Intelligenza Artificiale e Sanità Umana, al Mount Sinai. "È fondamentale eseguire ulteriori ricerche di interpretabilità nei settori della neuropatologia e dell'intelligenza artificiale, in modo che i progressi nell'apprendimento profondo possano essere tradotti in migliori approcci diagnostici e terapeutici per il MA e i disturbi correlati, in modo sicuro ed efficace".

Il primo autore Andrew McKenzie MD/PhD, co-responsabile residente della ricerca nel Dipartimento di Psichiatria del Mount Sinai, ha aggiunto:

“L'analisi dell'interpretazione ha identificato alcuni segnali, non tutti, che i modelli di intelligenza artificiale usavano per fare previsioni sulla compromissione cognitiva. Di conseguenza, rimangono ulteriori sfide per implementare e interpretare questi potenti modelli di apprendimento profondo nel settore neuropatologico".