Ricercatori italiani hanno sviluppato modelli di deep learning in grado di prevedere la progressione della sclerosi laterale amiotrofica (SLA) o della malattia di Lou Gehrig. Il lavoro, condotto da Corrado Pancotti, Giovanni Birolo, Cesare Rollo, Tiziana Sanavia, Barbara Di Camillo, Umberto Manera, Adriano Chiò e Piero Fariselli, ha permesso di scoprire che le reti neurali convoluzionali sono migliori per la diagnosi precoce della SLA. Prima avviene il rilevamento, migliore è l’esito per il paziente, poiché la SLA può essere difficile da rilevare con i muscoli del malato che si deteriorano nel tempo.
I risultati, pubblicati su Nature, mostrano che i ricercatori hanno utilizzato reti neurali per imitare il modo in cui le cellule nervose nel cervello elaborano le informazioni. Sono stati valutati tre tipi di reti neurali: feed-forward, ricorrenti e convoluzionali.
Come funziona il modello di deep learning per la Sla
Gli scienziati hanno costruito i modelli utilizzando il database Pooled Resource Open-Access ALS Clinical Trials (PRO-ACT), uno dei più grandi archivi pubblici di dati longitudinali di oltre 10mila pazienti. Più di 250 variabili cliniche e demografiche sono state prese in considerazione nelle reti neurali per prevedere i risultati dei pazienti.
Il modello di rete neurale è stato confrontato con i risultati di due algoritmi di apprendimento automatico consolidati: il Bayesian Additive Regression Trees (BART) e il Random Forest Regressor (RF).
Utilizzando lo standard ALSFRS per determinare la progressione della malattia, i ricercatori hanno scoperto che i modelli di rete neurale hanno una gamma di errori più piccola ma erano meno accurati rispetto al BART. Il modello di rete neurale convoluzionale ha mostrato i migliori risultati.
Tutti i modelli hanno dimostrato che la diagnosi precoce era il miglior predittore degli esiti dei pazienti. Inoltre, i modelli potrebbero classificare i pazienti in “progressori medio-lenti” e “progressori veloci”.
I “progressori medio-lenti” hanno mostrato risultati migliori per i pazienti, ma i modelli non potevano prevedere con precisione i risultati di sopravvivenza.
“Mentre i modelli di deep learning [rete neurale] hanno funzionato in modo paragonabile ai modelli all’avanguardia, non hanno fornito un vantaggio decisivo”, hanno dichiarato i ricercatori.
