Alzheimer. Intelligenza artificiale rileva la malattia da imaging di routine del cervello

Un gruppo di scienziati del Massachusetts General Hospital ha raccolto dati relativi a risonanze magnetiche a livello del cervello da pazienti con e senza Alzheimer per testare, poi, il modello in cinque set di dati, allo scopo di testarne la capacità predittiva per la la malattia neurodegenerativa. Tra tutti e cinque i set di dati, la validazione del metodo ha mostrato un’accuratezza del 90,2% nel rilevare la malattia di Alzheimer.

06 MAR - Dall’analisi delle immagini cerebrali raccolte come parte di una ricerca, un gruppo di scienziati del Massachusetts General Hospital ha sviluppato un metodo accurato per rilevare la malattia di Alzheimer. Il metodo, che usa complessi algoritmi e ampi set di dati per ‘formare’ il modello, è stato descritto su PLoS ONE.

Il team ha raccolto dati relativi a risonanze magnetiche a livello del cervello da pazienti con e senza Alzheimer per testare, poi, il modello in cinque set di dati, allo scopo di testarne la capacità predittiva per la la malattia neurodegenerativa. Nel complesso, la ricerca ha utilizzato 11.103 immagini da 2.348 pazienti a rischio di Alzheimer e 26.892 immagini da 8.456 pazienti senza la malattia di Alzheimer. Tra tutti e cinque i set di dati, la validazione del metodo ha mostrato un’accuratezza del 90,2% nel rilevare la malattia di Alzheimer. E tra le potenzialità del metodo, c’è la capacità di rilevare la malattia neurodegenerativa indipendentemente da altre variabili come l’età.

“Questo è uno dei pochi studi che ha utilizzato la risonanza magnetica cerebrale di routine per tentare di rilevare la demenza – commenta Matthew Leming, che ha coordinato il team di studio – Mentre sono stati condotti un gran numero di studi di deep learning per il rilevamento dell’Alzheimer dalla risonanza magnetica cerebrale, questo studio ha fatto passi sostanziali verso l’effettiva esecuzione di questo in contesti clinici reali rispetto alle perfette impostazioni di laboratorio. I nostri risultati – con generalizzabilità cross-site, cross-time e cross-population – costituiscono un buon precedente per l’uso clinico di questa tecnologia diagnostica”.
Fonte: PLoS One 2023

06 marzo 2023
© Riproduzione riservata