Print Friendly, PDF & Email

Una nuova ricerca internazionale in collaborazione tra Italia e Francia ha utilizzato tecniche di intelligenza artificiale, nello specifico di machine learning, per sfruttare le caratteristiche dell’attività cerebrale allo scopo di aiutare i clinici durante la diagnosi di epilessia.
Lo studio ha utilizzato metodiche innovative nella cornice teorica delle valanghe neuronali, che possono essere viste come degli eventi di propagazione dell’attività elettrica attraverso la rete cerebrale, preceduti e seguiti da periodi silenti. Utilizzando metodi di apprendimento automatico, lo studio è riuscito a distinguere tra pazienti con epilessia del lobo temporale e soggetti sani con una accuratezza dell’88%, producendo un aumento del 18% nella capacità di classificazione rispetto ai metodi di connettività funzionale più classicamente utilizzati. La ricerca è stata condotta da IRCCS Medea, Institut du Cervau di Parigi, Institut de Neurosciences des Systèmes di Marsiglia, in collaborazione con il CNR di Pozzuoli.
“Lo studio si è concentrato sull’attività del cervello a riposo senza la presenza di crisi o alterazioni elettriche correlate all’epilessia nel segnale dell’elettroencefalogramma, per cercare di aumentare la generalizzabilità dei risultati. Questo lavoro ha una potenzialità di diretta applicazione nella pratica clinica come importante strumento di supporto ai medici durante il processo di diagnosi” affermano il dott Gian Marco Duma, la dott.ssa Marie-Constance Corsi ed il prof. Pierpaolo Sorrentino, ricercatori rispettivamente presso IRCCS Medea, Institut de Neurosciences des Systèmes e Institut du Cervau che hanno coordinato lo studio.
“La diagnosi di epilessia è un processo complesso, che spesso richiede molte ore e giorni di raccolta dati. Questo non è sempre possibile in tutti i setting clinici. I nostri risultati sono una evidenza inziale per una applicazione dei metodi che sfruttano componenti aperiodiche del segnale EEG insieme all’intelligenza artificiale, per aiutare a ottimizzare i tempi di raccolta dati e supportare la diagnosi clinica. Questi strumenti sono di particolare utilità in quelle unità non specializzate dove il rischio di misdiagnosi è potenzialmente più elevato” suggerisce il dott. Duma.
Inoltre lo studio si è anche concentrato nel superare i limiti della black box interpretativa del machine learning. “Abbiamo infatti studiato quali fossero gli elementi che influenzavano maggiormente la classificazione. Questo ha permesso di identificare quali zone del cervello stessero fornendo maggiori informazioni al modello: si tratta delle stesse zone che hanno una relazione con la patofisiologia dell’epilessia” spiegano la dott.ssa Corsi ed il prof. Sorrentino.
“Abbiamo bisogno di dati aggiuntivi per una validazione clinica, ma questo lavoro rappresenta l’inizio di future ricerche volte ad implementare applicazioni della AI non solo nello studio dei meccanismi della patologia ma anche in applicazioni dirette in scenari clinici” concludono i ricercatori.