Neuroimaging e disturbo dello spettro autistico: classificazione con approccio explainable AI

Il disturbo dello spettro autistico (Autistic Spectrum Disorder - ASD) indica un ventaglio di diagnosi che vanno dalla Sindrome di Asperger all'autismo e che sono accumunate dalla presenza di sintomi comuni, che compromettono l'aspetto comportamentale e i rapporti con la società del soggetto. Al momento la diagnosi di ASD avviene affidandosi a test standardizzati riconosciuti eseguiti da personale medico specializzato. Negli ultimi anni si sono però generati diversi dataset di neuroimaging in cui vengono raccolte le immagini di risonanza magnetica provenienti da centri differenti e acquisite sia da soggetti appartenenti allo spettro dell'autismo che da controlli. L'utilizzo di tool per l'estrazione di features numeriche come FreeSurfer o FractalBrain ha permesso di generare dei dataset tabulari che possono essere sfruttati per elaborazioni di machine learning. Questo lavoro di tesi sfrutta come dataset di partenza ABIDE 1, in modo da addestrate un classificatore XGBoost utilizzando un approccio explainable. E' proprio l'approccio explainable, implementato per mezzo del metodo SHAP, che consente di spostare l'attenzione non tanto sulla diagnosi quanto sull'importanza che le features utilizzate assumono all'interno del modello. Questo aspetto può quindi permettere un'indagine finalizzata non necessariamente alla diagnosi ma, piuttosto, alla comprensione della malattia, avendo accesso a quelle che sono le metriche di maggiore rilievo nella discriminazione ASD - controlli.