01net

Machine learning per la diagnosi della schizofrenia

Un progetto portato avanti da IBM e dalla canadese University of Alberta ha dimostrato come l’applicazione di algoritmi di machine learning all’esame di immagini diagnostiche aiuti a identificare pazienti affetti da schizofrenia.

Si tratta di un’applicazione della cosiddetta psichiatria computazionale, un approccio secondo cui le terapie psichiatriche dovrebbero essere definite non solo sulla base dell’esperienza soggettiva del terapeuta ma anche partendo da dati clinici oggettivi.

Come altri progetti simili, anche questo si basa su una analisi retrospettiva di un campione di casi già diagnosticati. Si è trattato nello specifico di un database di 164 risonanze magnetiche (fMRI, functional Magnetic Resonance Imaging) di pazienti, ovviamente anonimizzate. Da questo gruppo di immagini diagnostiche ne sono state estratte 46 per addestrare l’algoritmo a riconoscere i segni della schizofrenia e 49 altre come gruppo di controllo.

Le immagini fMRI usate erano state raccolte durante test auditivi e mostrano l’attività del cervello attraverso la variazione dei flussi di sangue in aree specifiche del cervello stesso. Il campione usato per il machine learning, sottolineano i ricercatori, era tra l’altro poco omogeneo perché i test erano stati condotti in sedi diverse e con apparati differenti.

Dopo l’addestramento, l’algoritmo di machine learning ha dimostrato di essere in grado di distinguere un paziente schizofrenico da uno sano, esaminando le loro fMRI, con una accuratezza del 74 percento. Non è stato il solo risultato interessante: l’algoritmo ha dimostrato anche di poter prevedere, nei pazienti colpiti, la severità di specifici sintomi. Lo studio ha cioè mostrato una correlazione significativa tra determinate connessioni che si instaurano tra parti diverse del cervello e i principali sintomi della schizofrenia (anaffettività, alogia, apatia, asocialità…).

Proprio in questa direzione verrà portato ulteriormente avanti il progetto, per cercare di capire quantitativamente il legame tra la dinamica delle connessioni cerebrali e i sintomi della patologia. Lo stesso approccio sarà anche applicato nello studio di altri disordini psichiatrici come la depressione o lo stress post-traumatico.