Tecniche di machine learning in neuroimaging strutturale per la diagnosi precoce della malattia di Alzheimer

La malattia di Alzheimer è un disordine neurodegenerativo progressivo e rappresenta la forma di demenza più diffusa: si stima che nel 2050 una persona su 85 ne sarà affetta. È caratterizzata da un accumulo di proteine fluide, di placche amiloidi e grovigli neurofibrillari all’interno della struttura cerebrale responsabili della perdita neuronale, comportando nel paziente un progressivo declino cognitivo con perdita della memoria e quindi dell’autonomia. Tuttavia, è stato scoperto che la maggior parte dell’accumulo avviene circa 10-15 anni prima rispetto alla comparsa dei sintomi. In questo elaborato di tesi si è proceduto all’analisi di tecniche di machine learning in neuroimaging strutturale per la diagnosi precoce della malattia di Alzheimer. In particolare, è stato scelto di utilizzare un modello di apprendimento automatico supervisionato, come quello delle macchine vettoriali di supporto per valutare l’accuratezza nella classificazione tra soggetti sani e malati all’interno del dataset OASIS2. Dalle neuroimmagini pesate in T1 di risonanza magnetica sono state estratte delle features che saranno poi utilizzate come input dell’algoritmo. Dopo avere effettuato il pre-processing dei dati, sono stati ottimizzati i valori dei parametri, attraverso valutazione della curva ROC. Dalle analisi è emerso come il machine learning possa aiutare in ambito clinico, riuscendo spesso ad individuare pattern specifici, oppure correlazioni tra le variabili che sfuggono all’occhio medico, nella prospettiva futura di riuscire ad effettuare una diagnosi precoce.