I ricercatori del MIT hanno sviluppato un modello di apprendimento automatico che secondo loro potrebbe prevedere con precisione il declino cognitivo.
La malattia di Alzheimer colpisce milioni di persone in tutto il mondo, ma gli scienziati non sanno ancora cosa la causa.
Per questo motivo, le strategie di prevenzione possono essere colpite. Inoltre, gli operatori sanitari non hanno un modo chiaro per determinare il tasso di declino cognitivo di una persona dopo che un medico ha diagnosticato l’Alzheimer.
Ora, i ricercatori del Massachusetts Institute of Technology (MIT) di Cambridge – in collaborazione con specialisti di altre istituzioni – hanno sviluppato un modello di apprendimento automatico che potrebbe consentire agli specialisti di prevedere quanto cambierà il funzionamento cognitivo di una persona con un anticipo di 2 anni di questo declino che si sta affermando.
Il team – composto da Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert e il Prof. Rosalind Picard – presenterà il loro progetto alla fine di questa settimana alla conferenza Machine Learning for Healthcare . La conferenza di quest’anno si svolgerà ad Ann Arbor, MI.
“La previsione accurata del declino cognitivo da 6 a 24 mesi è fondamentale per la progettazione di studi clinici”, spiega Rudovic. Questo, aggiunge, è perché “[b] eing in grado di prevedere con precisione i futuri cambiamenti cognitivi può ridurre il numero di visite che il partecipante deve fare, che può essere costoso e richiedere tempo”.
“Oltre a contribuire allo sviluppo di un farmaco utile”, continua il ricercatore, “l’obiettivo è contribuire a ridurre i costi delle sperimentazioni cliniche per renderle più convenienti e condotte su scale più ampie”.
Utilizzo del meta-apprendimento per prevedere il declino
Al fine di sviluppare il loro nuovo modello, il team ha utilizzato i dati dell’iniziativa per la neuroimaging del morbo di Alzheimer (ADNI), che è il più grande set di dati clinici sulla malattia di Alzheimer al mondo.
Attraverso ADNI, i ricercatori sono stati in grado di accedere ai dati di circa 1.700 persone – alcune con e alcune senza la malattia di Alzheimer – raccolte in 10 anni.
Il team ha avuto accesso alle informazioni cliniche, comprese le valutazioni del funzionamento cognitivo dei partecipanti, le scansioni cerebrali, i dati relativi alla composizione del DNA degli individui e le misurazioni del liquido cerebrospinale, che rivelano biomarcatori della malattia di Alzheimer.
Come primo passo, i ricercatori hanno sviluppato e testato il loro modello di apprendimento automatico utilizzando i dati di un sottogruppo di 100 partecipanti. Tuttavia, c’erano molti dati mancanti su questa coorte. Pertanto, gli investigatori hanno deciso di utilizzare un diverso approccio statistico per analizzare i dati disponibili della coorte in modo da rendere l’analisi più accurata.
Tuttavia, il nuovo modello non ha raggiunto il livello di precisione previsto dai suoi sviluppatori. Per renderlo ancora più accurato, i ricercatori hanno utilizzato i dati di un altro sottogruppo di partecipanti ADNI.
Questa volta, tuttavia, il team ha deciso di non applicare lo stesso modello a tutti. Invece, hanno personalizzato il modello per adattarsi a ciascun partecipante, prendendo nuovi dati non appena disponibili dopo ogni nuova valutazione clinica.
Con questo approccio, i ricercatori hanno scoperto che il modello ha portato a un tasso di errore significativamente più basso nelle sue previsioni. Inoltre, ha funzionato meglio dei modelli di apprendimento automatico esistenti applicati ai dati clinici.
Tuttavia, i ricercatori hanno fatto un ulteriore passo avanti per assicurarsi che il loro approccio lasciasse spazio al minor errore possibile. Hanno continuato a escogitare un modello di “meta learning” in grado di scegliere l’approccio migliore per prevedere i risultati cognitivi in ciascun partecipante.
Questo modello sceglie automaticamente tra la popolazione complessiva e l’approccio personalizzato, calcolando quale probabilmente offrirà la migliore previsione per un determinato individuo in un determinato momento.
I ricercatori hanno scoperto che questo approccio ha ridotto il tasso di errore delle previsioni di un ulteriore 50%.
“Non siamo riusciti a trovare un singolo modello o una combinazione fissa di modelli che potrebbe darci la migliore previsione”, spiega Rudovic.
“Quindi volevamo imparare come imparare con questo schema di meta-apprendimento. È come un modello sopra un modello che agisce come un selettore, addestrato usando la conoscenza del meta per decidere quale modello è meglio implementare.”
Ognjen Rudovic
In futuro, il team mira a formare una partnership con una società farmaceutica per testare questo modello in uno studio in corso sulla malattia di Alzheimer.
Farmajet 