Nou algorisme basat en IA pot detectar l’autisme a les “empremtes dactilars” del cervell
La detecció precoç i definitiva de l’autisme en pacients podria conduir a intervencions més oportunes i millors resultats. IA pot detectar autisme.
Els investigadors de Stanford han desenvolupat un algorisme que pot ajudar a discernir si algú té autisme mirant exploracions cerebrals. El nou algorisme, impulsat pels avenços recents en intel·ligència artificial (IA), també prediu amb èxit la gravetat dels símptomes de l’autisme en pacients individuals. Amb més perfeccionament, l’algorisme podria conduir a diagnòstics més primerencs, teràpies més dirigides i una comprensió més àmplia dels orígens de l’autisme al cervell.
IA pot detectar autisme
L’algorisme analitza les dades recollides mitjançant exploracions de ressonància magnètica funcional (fMRI). Aquestes exploracions capturen patrons d’activitat neuronal a tot el cervell. En mapejar aquesta activitat al llarg del temps a les moltes regions del cervell, l’algorisme genera “empremtes dactilars” d’activitat neuronal. Tot i que són úniques per a cada individu, igual que les empremtes dactilars reals, les empremtes dactilars del cervell comparteixen característiques similars, cosa que permet ordenar-les i classificar-les.
Tal com es descriu en un nou estudi publicat a Biological Psychiatry, l’algorisme va avaluar exploracions cerebrals d’una mostra d’aproximadament 1.100 pacients. Amb un 82% de precisió, l’algorisme va seleccionar un grup de pacients als quals els metges humans havien diagnosticat amb autisme.
“Tot i que l’autisme és un dels trastorns del neurodesenvolupament més comuns, hi ha moltes coses al respecte que encara no entenem”, diu l’autor principal Kaustubh Supekar, professor adjunt clínic de Stanford de psiquiatria i ciències del comportament, i professor afiliat a Stanford HAI. “En aquest estudi, hem demostrat que el nostre model d’empremtes digitals del cervell impulsat per la intel·ligència artificial podria ser una eina nova i potent per avançar en el diagnòstic i el tractament”.
A diferència de moltes altres malalties, l’autisme no té biomarcadors objectius (mesures reveladores que revelen la presència i, de vegades, la gravetat d’una afecció mèdica), el que significa que no hi ha una prova senzilla per al trastorn. En canvi, el diagnòstic es basa en observar els comportaments dels pacients, que són naturalment molt variables i, per tant, fan que el diagnòstic sigui un repte. (Els signes comuns d’autisme inclouen dificultats per navegar per la interacció social diària, dèficits en la comunicació i l’aprenentatge, i la parla i els moviments repetitius).
“Hem de crear biomarcadors objectius per a l’autisme”, diu Supekar, “i les empremtes dactilars cerebrals ens apropen un pas”.
Combinant Big Data i XAI
Els científics fa temps que busquen biomarcadors mitjançant exploracions de ressonància magnètica (fMRI). No obstant això, els estudis fins ara amb poblacions petites han informat de resultats contradictoris, derivats de la variabilitat natural en el cervell dels pacients i confosos encara més per les diferències en les màquines de fMRI i els mètodes de prova.
Com molts camps científics, la investigació sobre l’autisme ha adoptat un enfocament en el Big Data, diu Supekar, on emergeixen coneixements que abans no s’aconseguien de l’anàlisi de mostres grans i poderoses estadísticament. El nou estudi de Supekar n’és un exemple, que agrupa exploracions cerebrals de centres mèdics de tot el món en un conjunt de dades enorme, demogràfica i geogràficament divers.
El següent pas va ser analitzar i tractar eficaçment la complexitat i la variabilitat de les dades. Supekar i els seus col·legues van pensar que un bon lloc per començar serien els algorismes de reconeixement d’imatges, desenvolupats per empreses tecnològiques. Aquests algorismes s’han tornat cada cop més sofisticats per gestionar graus significatius de variabilitat en les imatges que avaluen.
Per exemple, diu Supekar, imagineu un algorisme dissenyat per identificar gats i gossos en imatges en línia. Aquest algorisme ha de lluitar amb els animals que s’estan fotografiant des de diferents angles i distàncies, a més de tenir en compte àgilment les gammes de colors i característiques entre les races.
“Perquè la IA de reconeixement d’imatges tingui èxit, no importa si el meu fill de 5 anys va fer la foto o algú amb un premi en fotografia; l’algorisme ha de funcionar en tots dos casos”, diu Supekar. “El mateix tipus d’heterogeneïtat que obteniu a les imatges de gats i gossos, també obteniu a les exploracions cerebrals”.
IA explicable
En derivar els seus algorismes de reconeixement d’imatges, Supekar i els seus col·legues van intentar que la intel·ligència artificial fos explicable o comprensible per als investigadors humans. Els investigadors dels darrers anys s’han centrat en l’elaboració d’IA explicable, o XAI, en contrast amb els sistemes d’IA convencionals que podrien produir resultats de qualitat, però no de maneres fàcils d’aparentar.
“Un repte ha estat que els algorismes d’IA poden ser una ‘caixa negra’, on no podem explicar d’on prové la precisió de l’algorisme”, diu Supekar.
Tornant a prendre el model d’exemple de gat contra gos, els investigadors voldrien saber si l’algorisme selecciona les característiques facials o les mides del coll dels animals, per exemple. Per a l’algorisme d’empremtes dactilars del cervell, Supekar i els seus col·legues van crear un model matemàtic senzill que avalua les interaccions regionals del cervell i la interconnectivitat. D’aquesta manera, l’algorisme XAI es basa en tres regions del cervell que presenten diferències significatives en la interconnectivitat en una part agrupable del conjunt de dades.
Donant credibilitat a les troballes de l’algorisme XAI, aquestes tres regions cerebrals han estat anteriorment implicades en la patologia de l’autisme. Les regions són
- l’escorça cingulada posterior i el precuneus, que formen part de la xarxa de mode predeterminat (default mode network, DMN), notablement actives durant els períodes de repòs de vigília;
- l’escorça prefrontal dorsolateral i ventrolateral, implicada en el control cognitiu; i
- el solc temporal superior, implicat en el processament dels sons de les veus humanes.
En particular, les interrupcions del DMN van servir com a forts predictors de la gravetat dels símptomes de l’autisme a la població estudiada.
Abans millor
Tot i que l’algorisme XAI va funcionar de manera admirable en aquesta primera etapa de desenvolupament, Supekar i els seus col·legues hauran de millorar encara més la seva precisió per elevar l’empremta cerebral a nivell d’un biomarcador definitiu. Els investigadors tenen la intenció d’explorar l’eficàcia de l’algoritme en estudis de germans, on un germà té autisme i l’altre no, per millorar la capacitat de detectar diferències afinades, però crítiques, entre cervells potencialment molt similars.
Supekar preveu que l’empremta cerebral s’utilitzi per avaluar el cervell de nens molt petits, potser tan aviat com als 6 mesos o un any, que tenen un alt risc de desenvolupar autisme. El diagnòstic precoç és fonamental per aconseguir millors resultats, ja que les teràpies resulten més efectives quan s’introdueixen mentre els pacients encara tenen un nen petit que més tard en la infància.
“Esperem que l’enfocament demostrat en el nostre estudi pugui diagnosticar l’autisme durant la finestra d’oportunitat quan les intervencions siguin al màxim d’efectivitat”, diu Supekar.
Stanford HAI
La missió de Stanford HAI és avançar en la investigació, l’educació, la política i la pràctica de la IA per millorar la condició humana.
Document:
Font: