Ricerca. Nell’imaging cerebrale, il deep learning rappresenta una nuova frontiera

Un team del Center for Translational Research in Neuroimaging and Data Science (TReNDS) ha sfruttato l’apprendimento profondo per comprendere meglio come le malattie mentali e altri disturbi influenzano il cervello. 

I ricercatori hanno confrontato modelli rappresentativi dell’apprendimento automatico classico e dell’apprendimento profondo e hanno scoperto che, se addestrati correttamente, i metodi di apprendimento profondo potrebbero potenzialmente offrire risultati significativamente migliori, producendo rappresentazioni superiori per caratterizzare il cervello umano. Secondo uno studio pubblicato su Nature Communications, infatti, i modelli di deep learning adeguatamente addestrati potrebbero offrire approfondimenti migliori dall’analisi dei dati di imaging cerebrale rispetto agli approcci standard di machine learning

La risonanza magnetica e il sequenziamento genomico strutturale e funzionale generano enormi volumi di dati sul corpo umano. Gli scienziati possono raccogliere nuove informazioni sulla salute e la malattia estraendo dei veri e propri modelli da queste informazioni, ma questo è un compito impegnativo poiché i dati sono incredibilmente complessi e le relazioni tra di essi sono poco conosciute. La tecnologia di deep learning può caratterizzare queste relazioni combinando e analizzando i dati provenienti da molteplici fonti. 

Lo svantaggio dei modelli di deep learning è che devono essere addestrati su molti dati din dall’inizio. Ma una volta addestrati, questi modelli possono analizzare efficacemente enormi quantità di informazioni complesse e rispondere a semplici domande.

“È interessante notare che nel nostro studio abbiamo esaminato le dimensioni del campione da 100 a 10.000 e in tutti i casi gli approcci di apprendimento profondo stavano andando meglio”, ha detto Vince Calhoun, direttore di TReNDS e Distinguished University Professor of Psychology. Un altro vantaggio del deep learning è che gli scienziati possono analizzare in senso inverso i modelli per capire come traggono conclusioni sui dati. Nel caso del presente studio, i modelli di apprendimento profondo addestrati hanno imparato a identificare biomarcatori cerebrali significativi.

“Questi modelli stanno imparando da soli, quindi possiamo scoprire le caratteristiche distintive che stanno esaminando che consente loro di essere accurati”, ha precisato Anees Abrol, ricercatore presso TReNDS.  Il team ritiene che i modelli di apprendimento profondo siano in grado di estrarre spiegazioni e rappresentazioni non ancora note sul campo e aiutare ad espandere la conoscenza su come funziona il cervello umano. I ricercatori hanno affermato che sono necessarie ulteriori indagini per trovare e affrontare i punti deboli dei modelli di apprendimento profondo. Uno studio separato recentemente pubblicato su Nature Medicine ha anche dimostrato il potenziale del deep learning per migliorare l’analisi delle immagini. Il team ha dimostrato che un modello di apprendimento profondo può essere in grado di rilevare il cancro al seno uno o due anni prima rispetto ai metodi clinici standard.

Come nel caso della maggior parte degli strumenti basati sull’intelligenza artificiale nel settore sanitario, il deep learning deve ancora superare alcune sfide prima di poter essere utilizzato in contesti clinici reali, ma la tecnologia ha sicuramente dimostrato il suo potenziale per il futuro dell’erogazione delle cure.

Condividi sui social

Articoli correlati