Ricercatori dell'UT San Antonio sviluppano modello per migliorare le previsioni dell'apprendimento automatico

Negli ultimi dieci anni, l'intelligenza artificiale (AI) è stata utilizzata sempre più frequentemente per la ricerca medica e di neuroimmagini. Sebbene ci siano stati grandi progressi nella rilevazione della demenza con questa tecnologia, uno dei problemi rimanenti è la capacità di applicare le previsioni a più popolazioni.

Per correggere questo problema, gli scienziati del Centro di Scienze della Salute dell'Università del Texas a San Antonio hanno creato un'equazione matematica che pondera le informazioni in modo proporzionale per rendere le previsioni più generalizzabili. È importante notare che i ricercatori hanno scoperto che le differenze nel rendimento del modello persistevano anche dopo aver bilanciato il numero di partecipanti tra i gruppi e aver tenuto conto delle differenze demografiche e dei siti di imaging, suggerendo che la dimensione del campione diseguale da sola non spiega il problema.

Il modello di apprendimento automatico

La ricerca è stata condotta da un team di ricercatori guidato da Mohamad Habes, PhD, direttore del Neuroimaging Core e professore associato nel Dipartimento di Radiologia della Long School of Medicine e del Glenn Biggs Institute for Alzheimer's and Neurodegenerative Diseases (Biggs Institute). Il primo autore dello studio, Ngoc-Huynh Ho, PhD, istruttore nel Dipartimento di Radiologia della Long School of Medicine e del Biggs Institute, ha creato un modello matematico che rende possibile la generalizzazione per i gruppi con dati limitati.

"Vogliamo produrre le probabilità adeguate per ogni gruppo che classifichiamo, ma i dati sono sbilanciati per alcune popolazioni. L'obiettivo era guidare il modello per imparare la probabilità di ogni classe in modo efficiente", ha detto Ho.

Spiegazione dell'intelligenza artificiale

Mentre l'AI viene utilizzata per la diagnosi delle malattie, i ricercatori stanno anche utilizzando l'AI spiegabile per comprendere quali regioni del cervello contribuiscono a queste decisioni diagnostica. L'AI spiegabile è un metodo in cui le persone possono vedere e comprendere come un modello arriva a una certa risposta.

La ricerca ha scoperto differenze nella localizzazione e nel modo in cui il cervello è colpito nei pazienti con demenza in diverse popolazioni. Alcune di queste differenze possono essere dovute a condizioni co-morbide, biologia o natura della malattia.

Ad esempio, alcune popolazioni hanno un carico vascolare più alto e ciò può contribuire a differenze nei modelli osservati nella demenza. Queste variazioni possono spiegare perché le previsioni dell'AI non sono sempre generalizzabili.

Previsioni attendibili

"Le previsioni evidenziano regioni del cervello importanti, ma queste regioni potrebbero non contribuire al modello nello stesso modo tra diverse popolazioni. Poiché abbiamo meno dati per queste popolazioni, il modello che abbiamo sviluppato assegna pesi più alti a queste regioni per queste popolazioni con un numero limitato di punti dati", ha detto Habes.

Le previsioni dell'AI devono essere valutate e convalidate con attenzione tra più popolazioni per assicurarsi che il modello sia affidabile e efficiente nella diagnosi. Habes ha detto che prima che questi modelli possano essere utilizzati nell'ambito clinico, devono essere convalidati non solo all'interno di un particolare gruppo utilizzato nei dati di training, ma tra il maggior numero possibile di popolazioni.

"Ciò evidenzia la necessità di modelli di AI robusti e obiettivi. Stiamo portando una soluzione per quando il numero di punti dati è limitato", ha detto Habes.

Il laboratorio di Habes sta continuando la ricerca convalidando le previsioni tra altri gruppi. Attualmente sono concentrati sulle popolazioni degli Stati Uniti, ma sperano che il lavoro possa essere ampliato in futuro per essere rilevante per le popolazioni di tutto il mondo.

"Per essere veramente utili, questi modelli devono essere perfetti in termini di accuratezza e generalizzabilità. Questa è la dimensione che il dottor Ho ha introdotto ottimizzando gli algoritmi", ha detto Habes.

Mentre questo studio si è concentrato sulla demenza, Habes ha detto che lo stesso principio può essere applicato ad altri disturbi neuropsichiatrici o neurodegenerativi e anche a domini al di fuori del cervello. Il suo laboratorio mira a estendere la ricerca ulteriormente per rilevare sottotipi di diverse demenze e vedere come variano in termini di modelli e accuratezza di rilevamento tra diverse popolazioni.

La ricerca è stata pubblicata online sulla rivista Nature Communications con il titolo "Advancing fair and explainable machine learning for neuroimaging dementia pattern classification in multi-racial and multi-ethnic populations".