L’AI nel contrasto ai problemi neurologici e cognitivi

Tra le notevoli capacità applicative in ambito sanitario (e non solo) dell’intelligenza artificiale, il ramo healthcare ha dimostrato una particolare efficienza anche nella lotta ai problemi neurologici e cognitivi che riguardano, soprattutto negli ultimi anni, sempre più persone, come l’Alzheimer. Vediamo tre recenti studi made in USA in materia che focalizzano sull’utilizzo dell’AI nella lotta ad alcuni problemi che attengono al cervello umano.

L’AI nell’identificazione del morbo di Alzheimer

Il primo dei campi di applicazione che prendiamo in esame riguarda un interessante studio sino-americano^[1], pubblicato su Nature Communications, che illustra una innovativa struttura di intelligenza artificiale in grado di identificare e differenziare con successo – alla pari di quanto farebbe un esperto neurologo –, negli esseri umani, la cognizione “normale”, il decadimento cognitivo lieve, l’Alzheimer e le demenze “non-Alzheimer”. I ricercatori cinesi e americani hanno sottolineato che l’Alzheimer è una delle cause più comuni di demenza in tutto il mondo e che il futuro non è “roseo”; l’aumento dei casi nel corso del tempo potrebbe far aumentare la domanda di specialisti qualificati in materia. Questa (potenziale) futura mancanza di specialisti in neurologia e, quindi, la mancanza di accesso a diagnosi accurate per i pazienti con deterioramento cognitivo o demenza, secondo i ricercatori richiede lo sviluppo di strumenti di supporto clinico per colmare questa lacuna.

Per cercare di risolvere tale problema, i ricercatori si sono rivolti all’AI e all’apprendimento profondo (Deep Learning, branca che fa riferimento agli algoritmi ispirati alla struttura e alla funzione del cervello^[2]). Per creare il loro framework, i ricercatori sino-statunitensi hanno sviluppato e convalidato tre modelli di Deep Learning progettati per classificare i soggetti con cognizione “normale”, decadimento cognitivo lieve, Alzheimer e demenze “non-Alzheimer” in coorti multiple di partecipanti con diverse “cause di demenza” e vari livelli di funzione cognitiva: un modello di risonanza magnetica, un modello di variabili “non di immagine” e un modello combinato. Ogni modello è stato sviluppato e convalidato esternamente utilizzando i dati del National Alzheimer’s Coordinating Center (appartenente all’agenzia governativa statunitense National Institutes of Health). I modelli in discussione sono stati valutati in base alla loro capacità di eseguire diversi compiti di diagnosi differenziale.

Il primo ha riguardato il “compito di cognizione”, che richiedeva ai modelli di etichettare i pazienti con cognizione “normale”, decadimento cognitivo lieve e demenza dovute a qualsiasi causa.

Il secondo ha riguardato il compito sulla malattia di Alzheimer, in cui tutti i pazienti rubricati sotto “demenza” venivano poi ulteriormente rubricati come affetti da Alzheimer ovvero “non-Alzheimer”. Completando questi due compiti, i modelli sono stati in grado di eseguire una classificazione a quattro vie che ha delineato completamente la cognizione “normale”, il decadimento cognitivo lieve, l’Alzheimer e le demenze “non-Alzheimer”. Il modello combinato, che ha utilizzato sia la risonanza magnetica sia le variabili cliniche provenienti da dati demografici, anamnesi, test neuropsicologici e valutazioni funzionali, ha fornito le prestazioni di classificazione più accurate. Il modello con sola risonanza magnetica e il modello con variabili “non di immagine” hanno presentato una moderata riduzione delle prestazioni; tuttavia, tali modelli hanno comunque ottenuto prestazioni relativamente elevate (tuttavia meno del “combinato”).

Per convalidare ulteriormente i loro modelli, i ricercatori hanno anche confrontato ciascuno di essi con vari esperti neurologi. A ciascuno specialista è stato chiesto di eseguire compiti diagnostici su un sottoinsieme di dataset del National Alzheimer’s Coordinating Center e i loro risultati sono stati confrontati con quelli dei modelli per lo stesso sottoinsieme di dati. Nella classificazione complessiva, l’accuratezza del modello dei ricercatori ha raggiunto in efficacia quella dei neurologi. Questi risultati indicano che questi modelli sono in grado di raggiungere prestazioni elevate in vari stati cognitivi e sottotipi di demenza con combinazioni flessibili. Poiché questa struttura si basa sulla risonanza magnetica e sui dati clinici, i ricercatori hanno osservato che vi può essere una strategia per espandere la portata del Deep Learning in ambito sanitario, garantendo al contempo che le ricerche rimangano fondate su conoscenze mediche consolidate.^[3]

Il deep learning nello studio della depressione

In un secondo studio, i ricercatori del Massachusetts General Hospital hanno sviluppato un modello di intelligenza artificiale (AI) che utilizza l’apprendimento profondo per stimare l’età psicologica, il benessere futuro e il rischio di depressione degli individui. Modello utilizzato per creare “mappe” progettate per guidare tali individui verso un migliore benessere mentale. Secondo lo studio USA^[4], la ricerca sulla longevità dimostra che il benessere psicologico è fortemente legato alla salute fisica, ai comportamenti positivi per la salute, all’ottimismo del soggetto e al minor rischio di morte prematura. Per questo motivo, i ricercatori statunitensi hanno esplorato il benessere psicologico e cercato di creare strutture che potessero aiutare gli individui a migliorare la loro soddisfazione di vita “a lungo termine”. L’aumento dell’uso dell’intelligenza artificiale in campo sanitario, come abbiamo osservato in premessa, ha portato i ricercatori statunitensi (e non) a utilizzarla in modo massivo negli ultimi anni. Il modello del Massachusetts General Hospital ha utilizzato gli input di un questionario per stimare l’età psicologica dell’individuo, ossia l’età in cui “ci si sente, si agisce e ci si comporta”, nonché il benessere futuro e il rischio di depressione nell’individuo.

Per elaborare queste stime, i ricercatori si sono basati sul dataset “Midlife in the United States” (in seno allo U.S. National Institutes of Health), che contiene i dati di oltre quattromila soggetti con profili psicologici raccolti negli anni. Questi dati includono anche “profili di benessere” creati utilizzando la scala Ryff, una misura ampiamente utilizzata che classifica l’autonomia, la padronanza dell’ambiente, la crescita personale, le relazioni positive, lo scopo nella vita e l’accettazione di sé (come le sei dimensioni del benessere psicologico). I ricercatori hanno valutato tale dataset per determinare quali caratteristiche fossero associate al benessere futuro e hanno estratto trentadue variabili “rilevanti”, utilizzandole per addestrare i predittori dell’età psicologica e del benessere propri dell’intelligenza artificiale. Per ogni individuo, queste previsioni sono state prese e “tradotte” in quelle che i ricercatori del Massachusetts General Hospital hanno chiamato “mappe auto-organizzanti”. Tali mappe hanno utilizzato la valutazione iniziale del livello di benessere e della propensione alla depressione dell’individuo per presentare “regioni” associate a “montagne” e “fosse” relative a livelli di benessere alti e bassi. Queste regioni alte e basse possono essere utilizzate per indirizzare la terapia cognitivo-comportamentale e altri interventi di salute mentale, fornendo un percorso personalizzato per migliorare il benessere psicologico che può essere seguito e monitorato durante le sessioni di terapia. In alternativa, lo strumento può essere utilizzato come applicazione autonoma di auto-aiuto per gli interessati. I ricercatori del Massachusetts General Hospital hanno anche identificato le configurazioni psicologiche più inclini alla depressione sulle mappe auto-organizzanti, utilizzate dagli stessi ricercatori per sviluppare un algoritmo che mirasse ad aiutare gli individui ad allontanarsi da stati mentali potenzialmente pericolosi.^[5]

Il Natural Language Processing nell’ansia da pandemia Covid-19

Infine, un terzo studio: secondo un recente rapporto statunitense^[6], i giovani americani, a causa della pandemia Covid-19 sono stati interessati da una costante lotta contro l’ansia e il dolore. Il rapporto ha utilizzato l’elaborazione del linguaggio naturale (NLP) per generare informazioni sulle chat intercorse tra chi scriveva messaggi (e abbisognava di aiuto) e i consulenti della Crisis Text Line (che ha stilato il rapporto) durante lo scorso anno. Nel corso di queste conversazioni sono stati scambiati ben quaranta milioni di messaggi di testo riguardanti problemi di salute mentale come ansia, depressione e suicidio. Il 70 percento delle conversazioni ha riguardato utenti di età inferiore ai venticinque anni, evidenziando la gravità della crisi della salute mentale giovanile negli Stati Uniti. Nel rapporto in esame è stato stabilito che la pandemia Covid-19 ha esacerbato in modo significativo i problemi di salute mentale (già diffusi in America), soprattutto tra i giovani. L’ansia elevata ha continuato a far da padrone nelle conversazioni con i consulenti, così come l’aumento dei tassi di dolore legati alla pandemia, principalmente legato agli svariati lutti subiti dagli utenti. Inoltre, gli utenti hanno registrato un forte aumento dei problemi legati all’alimentazione e alla percezione della propria immagine corporea. Con la riapertura delle scuole, i giovani hanno iniziato a segnalare anche fattori di stress legati alla scuola, come il bullismo e l’autolesionismo, che con l’apprendimento a distanza (la “nostra” DAD) avevano subito un crollo.

Come accennato in precedenza, l’apprendimento profondo è progettato per imitare il modo in cui i neuroni umani si connettono tra loro per elaborare “infinite” informazioni. L’apprendimento profondo si basa su strati di architettura algoritmica, noti come Reti Neurali Artificiali, per creare connessioni e analizzare i dati. Analizzando come i dati vengono filtrati attraverso gli strati delle Reti Neurali Artificiali e come questi strati interagiscono, un algoritmo di apprendimento profondo può “imparare” a vedere le connessioni e le correlazioni in un dataset. I dati raccolti per il rapporto in esame, non identificati e resi anonimi, hanno compreso le conversazioni di testo tra utenti e consulenti, che hanno evidenziato l’uso del linguaggio e i meccanismi di “coping” di chi scrive. Sono stati inclusi anche i dati generati quando il consulente etichettava la conversazione per gli argomenti chiave discussi e verificava il rischio di suicidio dell’utente, nonché i dati post-conversazione, raccolti quando gli utenti completavano un sondaggio sulle informazioni demografiche, sulla soddisfazione e su altre metriche relative alla qualità del servizio. Come parte dell’analisi, il rapporto in esame ha utilizzato l’apprendimento profondo per tracciare le parole più importanti nelle conversazioni degli utenti, per vedere quali altre tendenze ed emozioni hanno giocato un ruolo nella salute mentale degli utenti. Ad esempio, rispetto al 2020, nel 2021 le parole “trauma”, “innescato”, “terapeuta”, “piani” e “estenuante” sono quelle che hanno avuto maggiore risalto. In entrambi gli anni, invece, le parole “pensiero”, “aiuto”, “mamma”, “depressione” e “tempo” sono state tra le più importanti. Al termine di ogni conversazione i consulenti hanno lavorato con gli utenti interessati per trovare meccanismi di coping “sani” che potessero aiutarli a tornare a uno stato di calma.^[7]

Note

1. Multimodal deep learning for Alzheimer’s disease dementia assessment. Nature Communications. https://www.nature.com/articles/s41467-022-31037-5?error=cookies_not_supported&code=ff876860-7062-4a70-92cc-7a61922682d2 ↑
2. Deep Learning, cos’è l’apprendimento profondo, come funziona e quali sono i casi di applicazione. AI4Business. https://www.ai4business.it/intelligenza-artificiale/deep-learning/deep-learning-cose/ ↑
3. AI Framework Differentiates Alzheimer’s, Other Dementias. HealthITAnalytics.com. ↑
4. Personalized maps created through artificial intelligence may guide individuals to improved well-being. Massachusetts General Hospital. https://www.massgeneral.org/news/press-release/artificial-intelligence-may-guide-individuals-to-improved-well-being ↑
5. AI-Generated ‘Maps’ May Help Improve Mental Well-being. HealthITAnalytics.com. . ↑
6. United In Empathy. Crisis Text Line. https://www.crisistextline.org/united-in-empathy-2021-report/ ↑
7. Natural Language Processing Helps Shed Light on Youth Mental Health Crisis. HealthITAnalytics.com. ↑