Da una rete neurale artificiale addestrata sinteticamente, per mezzo di dati ottenuti dalla simulazione dell’attività cerebrale spaziotemporale, una nuova tecnica per l’analisi dei dati clinici di imaging cerebrale.

Trattare di intelligenza artificiale per applicazioni di neuroimaging (o di imaging cerebrale) dinamico significa fare riferimento a tecniche di supporto alla mappatura della struttura e dell’attività cerebrale per osservarne, studiarne e comprenderne dal punto di vista spaziotemporale le funzioni e le eventuali disfunzioni. Ma andiamo per gradi.

Nello studio “Deep neural networks constrained by neural mass models improve electrophysiological source imaging of spatiotemporal brain dynamics” – condotto dal Dipartimento di ingegneria biomedica della Carnegie Mellon University, in Pennsylvania, e illustrato in un articolo recentemente pubblicato su Proceedings of the National Academy of Sciences (PNAS) – gli autori spiegano come «lo sviluppo di tecniche di imaging cerebrale non invasive, in grado di fornire un’elevata risoluzione sia spaziale (ossia riferita all’intero cervello) che temporale (riferita a ogni suo processo nel tempo), importanti – la prima – per la mappatura millimetrica del cervello e – la seconda – per la rapidità nel catturare in modo puntuale le sue dinamiche, è basilare per diagnosi tempestive e rigorose».

Tuttavia, le modalità attualmente utilizzate presentano, ciascuna, alcune carenze. La risonanza magnetica, ad esempio – osservano i ricercatori – «mappa le attività cerebrali con una risoluzione spaziale millimetrica, ma con una scarsa risoluzione temporale. Mentre, l’elettroencefalografia (EEG) e la magnetoencefalografia (MEG), pur offrendo una risoluzione temporale su scala di millisecondi e una copertura dell’intero cervello, sono limitate nella loro risoluzione spaziale».

Il lavoro dell’Ateneo USA prende spunto proprio da tali limiti, proponendo un metodo di analisi dei dati di imaging cerebrale basato su un algoritmo di deep learning che consente la mappatura spaziotemporale della dinamica delle attività del cervello, a partire dalle sole misurazioni EEG, ossia relative al cuoio capelluto, procedura meno invasiva per il paziente e, al contempo, meno costosa per il sistema sanitario. Ma approfondiamo i contenuti dell’inedito studio, per comprenderne, in particolare, l’apporto delle tecniche AI.

Intelligenza artificiale e neuroimaging dinamico: la rete neurale utilizzata e il suo addestramento

In tema di intelligenza artificiale e neuroimaging dinamico, l’obiettivo dei ricercatori era quello di definire una metodologia che consentisse di stimare la distribuzione – in ogni regione del cervello – e l’attività nel tempo dei segnali elettrici cerebrali, in maniera da «localizzare e visualizzare in modo affidabile segnali fisiologici o fisiopatologici in soggetti diversi».

Il primo passo è stato costruire un’architettura di rete neurale artificiale molto profonda, funzionante per mezzo di centinaia di strati. La scelta è ricaduta su un modello di rete denominato Residual Neural Network (detto anche ResNet), composta da strati completamente connessi ma che elaborano separatamente le informazioni.

Per il suo addestramento, si è resa necessaria una grande quantità di dati che descrivessero sia le caratteristiche spaziali che temporali dell’attività cerebrale. Il team ha optato per dati sintetici, ottenuti partendo dalla segmentazione – mediante risonanza magnetica – della superficie corticale (ossia della corteccia cerebrale) e del cuoio capelluto. Nel dettaglio, la superficie corticale è stata segmentata in 994 regioni di dimensioni simili.

«Per simulare i segnali elettrici con variazioni spaziali sufficienti, è stata utilizzata una procedura basata sulla suddivisione in tante piccole parti di ogni singola regione della corteccia cerebrale. Una delle regioni è stata scelta casualmente come origine del segnale e le sue regioni vicine sono state selezionate casualmente e raggruppate con la regione di origine, formando macchie di attivazione nello spazio sorgente»

illustrano i ricercatori. Mentre, l’andamento temporale dei segnali elettrici in tutte le 994 regioni della corteccia cerebrale è stato simulato ricorrendo a un modello di popolazione neurale (denominato Jansen-Rit) contenente tre popolazioni interconnesse: «una per simulare i neuroni di proiezione piramidale e due per simulare i neuroni eccitatori e inibitori che formano circuiti di feedback».

Questo modello di intelligenza artificiale e neuroimaging dinamico- si legge nell’articolo citato – è in grado di simulare segnali elettrici simili all’attività cerebrale a riposo, oltre che all’attività caratterizzata da picchi. In totale, il set di dati sintetici per l’addestramento della rete neuraleconteneva 620.256 campioni di segnali cerebrali spaziotemporali costituiti da oltre 300 milioni di distribuzioni topografiche del cuoio capelluto.

I test di prova del nuovo schema di mappatura cerebrale

In tema di intelligenza artificiale e neuroimaging dinamico, addestrata la rete neurale, il nuovo sistema AI per la mappatura spaziotemporale della dinamica cerebrale è stato messo alla prova analizzando i dati ricavati dagli elettroencefalogrammi (EEG) eseguiti su venti pazienti affetti da epilessia resistente ai farmaci e sottoposti a chirurgia resettiva, liberi da crisi almeno da un anno dopo l’intervento.

In particolare, sono state acquisite le registrazioni EEG preoperatorie, dalle quali sono stati identificati, per ciascun paziente, 18 ± 20 picchi correlati ad attività cerebrali che presagiscono crisi epilettiche.

«I picchi medi rilevati in ciascun paziente sono stati utilizzati come input per il nostro modello di deep learning e l’attività ricostruita all’interno delle regioni cerebrali segmentate è stata mappata sulla superficie corticale dei pazienti, facendo corrispondere l’output di ciascuna regione alla sua regione segmentata corrispondente sulla corteccia, come emerso dalla risonanza magnetica»: così il team di studio sintetizza il funzionamento del proprio sistema.

Confrontati i risultati dell’imaging del picco epilettiforme con l’area di resezione, si ottiene un valore di alta precisione, con una mediana di 0,93, sottolineano i ricercatori. Il che significa che i risultati dell’imaging di DeepSIF (così si chiama il modello di deep learning sviluppato) a partire da picchi epilettiformi «sono in buona concordanza con la verità clinica definita dalla regione di resezione».

Più nello specifico, «i picchi rilevati dalle registrazioni EEG e la loro forma d’onda stimata da DeepSIF sono stati confrontati per due pazienti e per entrambi è stata raggiunta una correlazione di circa 0,95 tra le due forme d’onda».

Intelligenza artificiale e neuroimaging dinamico: caratteristiche spaziali e temporali dell’attività cerebrale ottenute grazie all’AI

I risultati registrati finora dallo studio in tema di intelligenza artificiale e neuroimaging dinamico sono positivi, confermando prestazioni più dettagliate del modello di deep learning rispetto ai metodi convenzionali in una serie di esperimenti, sia con pazienti affetti da epilessia, sia con soggetti sani.

Il traguardo raggiunto è quello di una mappatura completa e dinamica dell’attività del cervello, che individua il “dove” e “il “per quanto tempo” delle singole attività. E questo è stato reso possibile grazie alla costruzione di una rete neurale molto profonda, addestrata utilizzando una vasta mole di dati sintetici spaziotemporali, che simulano le onde elettriche del cervello biologico.

Un lavoro imponente e assai approfondito, insomma, candidato a sostenere la diagnosi clinica e il trattamento di una varietà di malattie neurologiche e mentali.

Tuttavia, si tratta di un lavoro affatto concluso. Il passo successivo – fanno notare gli autori – «prevede di condurre studi clinici più ampi, nel tentativo di avvicinare la ricerca all’attuazione clinica. L’obiettivo è ottenere un imaging cerebrale dinamico sempre più accurato e puntuale, mediante un esame semplice e a costi contenuti come l’EEG».