Sebbene la ricerca abbia fatto passi da gigante nel rilevare segni del morbo di Alzheimer (MA) con le scansioni cerebrali di alta qualità raccolte nell'ambito degli studi di ricerca, un team del Massachusetts General Hospital (MGH) ha recentemente sviluppato un metodo accurato per il rilevamento della malattia, basato su scansioni cliniche eseguite di routine. Il passo avanti potrebbe portare a diagnosi più accurate.

Per lo studio, pubblicato su PLOS One, Matthew Leming PhD, ricercatore del Center for Systems Biology dell'MGH e del Massachusetts Alzheimer's Disease Research Center, e i suoi colleghi, hanno usato l'apprendimento profondo, un tipo di apprendimento automatico e di intelligenza artificiale che usa grandi quantità di dati e algoritmi complessi per formare modelli.

In questo caso, gli scienziati hanno sviluppato un modello per rilevare il MA che si basa sui dati delle immagini di risonanza magnetica cerebrale (MRI) raccolte da pazienti con e senza MA che erano stati visti all'MGH prima del 2019. Successivamente, il gruppo ha testato il modello su cinque insiemi di dati (MGH post-2019, Brigham e Women's Hospital pre- e post-2019 e sistemi esterni pre- e post-2019) per vedere se poteva rilevare accuratamente il MA in base a dati clinici del mondo reale, indipendentemente dall'ospedale e dal tempo.

Nel complesso, la ricerca ha coinvolto 11.103 immagini di 2.348 pazienti a rischio di MA e 26.892 immagini di 8.456 pazienti senza MA. In tutti e cinque i set di dati, il modello ha rilevato il rischio di MA con una precisione del 90,2%. Tra le principali innovazioni del lavoro c'è la sua capacità di rilevare il MA indipendentemente da altre variabili, come l'età. Come dice Leming:

"Il MA insorge in genere negli anziani e quindi i modelli di apprendimento profondo hanno spesso difficoltà a rilevare i casi più rari ad insorgenza precoce. Abbiamo affrontato questo problema rendendo il modello di apprendimento profondo 'cieco' alle caratteristiche del cervello che trova eccessivamente associate all'età registrata del paziente".

Leming osserva che un'altra sfida comune nel rilevamento della malattia, specialmente negli ambienti del mondo reale, ha a che fare con dati molto diversi dal set di addestramento. Ad esempio, un modello di apprendimento profondo addestrato su risonanze magnetiche di uno scanner General Electric potrebbe non riconoscere la risonanza magnetica di uno scanner Siemens. Il modello ha utilizzato una metrica di incertezza per determinare se i dati dei pazienti erano troppo diversi da quello su cui era stato addestrato per essere in grado di fare una previsione di successo.

Le conclusioni di Leming:

“Questo è uno degli pochi studi ad usare le risonanze magnetiche cerebrali prese di routine per tentare di rilevare la demenza. Anche se sono stati condotti molti studi di apprendimento profondo per il rilevamento del MA dalle risonanze magnetiche cerebrali, il nostro ha fatto passi sostanziali verso l'applicazione effettiva in ambienti clinici del mondo reale, rispetto ai perfetti ambienti di laboratorio. I nostri risultati, con generalizzabilità tra diversi siti, tempi e popolazioni, danno forte validità a un uso clinico di questa tecnologia diagnostica".