Strategie di Ensemble Learning per la Diagnosi Assistita nelle Neuroscienze

Nell’ambito del Digital Healthcare, un interesse sempre più crescente è rivolto allo sviluppo di tool diagnostici basati su tecniche innovative di Intelligenza Artificiale (AI) per il supporto alle decisioni degli specialisti. In particolare, nel campo della Neuroscienza, recenti studi hanno messo in luce le grandi potenzialità delle applicazioni del Machine Learning (ML) a dati di Risonanza Magnetica per la diagnosi automatica e precoce di malattie neurodegenerative come il morbo di Alzheimer. In questo contesto, l’utilizzo di metodologie di ensemble learning si sta rivelando una strategia molto promettente poiché consente di sfruttare il contenuto informativo proveniente da diversi tipi di variabili e contemporaneamente di ottimizzare lo sforzo computazionale necessario per l’apprendimento automatico.

Metodologie alla Frontiera dell’Intelligenza Artificiale al Servizio della Diagnosi Assistita
Come già illustrato in un recente articolo dal titolo Data Science per lo studio del morbo di Alzheimer: pattern nascosti nel connettoma strutturale, Exprivia propone metodologie innovative che si posizionano alla frontiera della ricerca in Data Science e AI per l’individuazione di biomarcatori e per la diagnosi di malattie neurodegenerative con l’obiettivo di ottenere sistemi predittivi affidabili che assicurino prestazioni con standard elevati. Tra queste, l’Ensemble Learning è un approccio di apprendimento automatico che tende a migliorare le prestazioni di classificazione combinando differenti algoritmi, la cui accuratezza è “mediata” sulla base delle performance dei singoli classificatori. Tale approccio viene concepito per simulare il comportamento umano nel prendere decisioni e, per questo motivo, si rivela essere particolarmente adatto nel contesto della diagnosi medica, in cui gli esseri umani “chiedono il parere” di vari medici per incrementare l’affidabilità di una diagnosi.

Nel Paper scaricabile, pubblicato dalla rivista scientifica internazionale MDPI Electronics, Exprivia ha proposto un framework innovativo basato sulle tecniche di Ensemble Learning, per la discriminazione tra controlli sani e soggetti malati di Alzheimer, applicate a differenti gruppi di misure fisiche associate al livello di integrità di alcuni tratti del cervello, detti “fibre di materia bianca”.

Uno dei metodi più utilizzati per analizzare lo stato delle fibre di materia bianca, e quindi delle condizioni neurologiche, è dato dalla misurazione della diffusività delle molecole d’acqua lungo i tratti fibrosi attraverso tecniche di risonanza magnetica a tensore di diffusione (DTI). Infatti, nei soggetti sani, il movimento delle molecole d’acqua all’interno di una regione del cervello dovrebbe seguire delle direzioni ben determinate (anisotropia), conseguentemente la perdita significativa di questa direzionalità privilegiata definisce un segno distintivo della presenza di condizioni patologiche. Per misurare tale anisotropia si utilizzano differenti gruppi di indicatori (c.d. anisotropia frazionaria, diffusività media, diffusività radiale, diffusività longitudinale) estratti con opportune elaborazioni delle immagini provenienti dalle DTI.

Poiché in un tipico esperimento ognuno di questi indicatori, per l’intera area cerebrale, può superare le centinaia di migliaia di variabili, l’addestramento di un classificatore basato sulla totalità delle misure di anisotropia potrebbe risultare, da un lato, computazionalmente oneroso, dall’altro, poco efficiente in termini di performance predittive. Nel lavoro in questione, la strategia di Ensemble Learning ha consentito di superare questo problema, basando il sistema non su un algoritmo addestrato su tutte le variabili contemporaneamente ma sulla migliore combinazione di algoritmi addestrati singolarmente su specifici gruppi di misure, in modo che la decisione finale emerga come il parere maggiormente condiviso tra quelli “chiesti” ai singoli classificatori. Dai risultati pubblicati si evince come questa tecnica abbia consentito di ottenere migliori prestazioni di predizione rispetto ai tradizionali approcci di addestramento che sfruttano la concatenazione delle variabili in un’unica matrice ad alta dimensionalità.

Un Approccio Promettente al Trattamento di Dati Multimodali nelle Neuroscienze
Il costante impegno di Exprivia nell’adottare metodologie innovative di Intelligenza Artificiale favorisce sempre più l’immissione sul mercato di soluzioni di digital healthcare per la diagnosi automatica con un approccio mirato all’utilizzo di tecnologie allo stato dell’arte. In particolare, il framework proposto nell’articolo potrebbe consentire di esaltare la procedura di addestramento di un modello di machine learning, inglobando potenzialmente una pletora sempre più diversificata di informazioni cliniche e biologiche generate da differenti modalità diagnostiche, fornendo quindi una visione olistica della condizione patologica.  

Scarica il Paper