Un sistema di apprendimento automatico ibrido, in grado di estrarre le caratteristiche dell'immagine cerebrale di aree correlate al declino cognitivo in base ai risultati clinici, ha ottenuto prestazioni superiori e un’elevata generalizzabilità rispetto ad altri metodi all'avanguardia, facilitando la previsione della progressione verso l'Alzheimer, secondo i risultati di uno studio pubblicato sulla rivista NPJ Digital Medicine.

La malattia di Alzheimer è una patologia neurodegenerativa che impone un notevole onere finanziario alla società. Sono stati condotti numerosi studi sull'apprendimento automatico per prevedere la velocità della sua progressione, che varia ampiamente da individuo a individuo, per il reclutamento negli studi clinici futuri di pazienti con rapida evoluzione.

Negli studi clinici sono generalmente coinvolti soggetti con decadimento cognitivo lieve, che sono considerati essere nella fase prodromica dell'Alzheimer, ed è importante che i partecipanti reclutati abbiano buone probabilità di progressione della malattia, dato che solo il 20% dei pazienti con decadimento cognitivo lieve riceverà effettivamente una diagnosi di Alzheimer entro 1,5-2 anni, mentre le condizioni del restante 80% restano invariate o addirittura tornano a livelli normali.

È quindi è necessario disporre di un algoritmo in grado di classificare il deterioramento stabile e quello progressivo, in modo da identificare i pazienti che progrediranno verso la malattia entro un certo periodo.

Sono stati proposti vari modelli di apprendimento automatico per prevedere i progressi della malattia e il set di dati più utilizzato, che include immagini cerebrali e punteggi dei test cognitivi, proviene dalla North American Alzheimer's Disease Neuroimaging Initiative (NA-ADNI). Tra questi modelli, alcuni utilizzano come input solo le immagini cerebrali, mentre altri utilizzano informazioni multimodali che includono sia le immagini che i punteggi cognitivi.

Dato che la maggior parte di questi modelli viene implementata utilizzando il deep learning, che richiede l'addestramento di un numero considerevole di parametri, è auspicabile un gran numero di campioni di addestramento per ottenere una buona generalizzabilità del risultato. Anche se la classificazione del deterioramento stabile e progressivo ha raggiunto una precisione del 75-86%, devono ancora essere risolti due problemi.

Il primo è che i modelli basati su dati limitati tendono a indurre l'overfitting e hanno una bassa generalizzabilità (l’overfitting rappresenta una tra le problematiche principali dell’applicazione delle tecniche di machine learning a dati di neuroimaging e si verifica quando un modello di machine learning apprende in maniera eccessiva dai dati, compromettendo drasticamente le sue abilità di generalizzazione), e il secondo è che non sono state valutate coorti incrociate.

Previsioni migliori sulla progressione verso l’Alzheimer
Lo studio si è concentrato sulla risoluzione delle due problematiche citate, sulla base di informazioni che possono essere facilmente ottenute con invasività e costi relativamente bassi, come le immagini di risonanza magnetica che vengono utilizzate come biomarcatori di imaging cerebrale. Non sono invece state adottate informazioni come le immagini della tomografia a emissione di positroni (PET).

Per sopprimere l'overfitting causato da una limitata quantità di dati, i ricercatori hanno proposto un framework di apprendimento automatico ibrido, costituito da più reti neurali convoluzionali che estraggono automaticamente le caratteristiche dell'immagine da sottoregioni cerebrali predefinite correlate al declino cognitivo in base ai risultati clinici, e da una parte di previsione della progressione dell'Alzheimer che prevede se un paziente con declino cognitivo lieve progredirà verso la malattia utilizzando le caratteristiche dell'immagine estratte combinate con le informazioni cliniche.

I risultati sperimentali hanno mostrato che il modello raggiunge prestazioni superiori (precisione: 0,88, area sotto la curva AUC: 0,95) rispetto ad altri metodi all'avanguardia. Il framework dimostra inoltre un'elevata generalizzabilità come risultato delle valutazioni tramite l’utilizzo di un set di dati di coorte completamente diverso (accuratezza: 0,84, AUC: 0,91) raccolto da una popolazione diversa da quella utilizzata per l’addestramento.

«L'utilizzo di questo quadro per stratificare i pazienti con declino cognitivo lieve che hanno un rischio più elevato di progressione verso l'Alzheimer potrebbe migliorare il tasso di successo nei futuri studi clinici sui farmaci per il trattamento della malattia» hanno concluso gli autori. «Per raggiungere questo obiettivo sarà importante in futuro condurre valutazioni retrospettive basate su dati di studi precedenti che coinvolgono l'efficacia dei farmaci e dimostrare i vantaggi dell'integrazione quantitativa dell'intelligenza artificiale. Dal momento che ricerche recenti hanno dimostrato che nuovi biomarcatori, come la fosfo-tau plasmatica, sono efficaci anche per la previsione, è necessario considerare l'aggiunta di questi biomarcatori per l'input nei modelli futuri».

Bibliografia

Wang C et al. A high-generalizability machine learning framework for predicting the progression of Alzheimer's disease using limited data. NPJ Digit Med. 2022 Apr 12;5(1):43. 

Leggi

1

Condivisioni

Ti è piaciuto l'articolo? Condividilo: