Machine Learning Applicato alla Risonanza Magnetica per la Diagnosi Precoce dell'ASD

L’oggetto di studio della presente tesi è l’applicazione del Machine Learning (ML) alle tecniche di neuroimaging, con particolare riferimento alla risonanza magnetica per la diagnosi precoce dell’Autism Spectrum Disorder (ASD) nei primi 24 mesi di vita. L’elaborato costituisce una revisione sistematica e comparativa della letteratura più recente, che analizza le ricerche basate sull’integrazione tra dati di neuroimaging e tecniche di ML, al fine di individuare potenziali biomarcatori predittivi dell’ASD in età infantile. La ricerca sistematica ha considerato gli studi pubblicati nel periodo 2015–2024. Gli studi selezionati utilizzano sia approcci tradizionali (SVM, Random Forest) sia architetture di Deep Learning (CNN, CVAE, Siamese Network), condotti su dataset pubblici come NDAR/IBIS e su coorti cliniche multicentriche. Dal confronto emergono ancora limiti significativi legati all’eterogeneità dei dataset, alla ridotta numerosità campionaria e alla scarsa standardizzazione delle pipeline di analisi. Gli approcci di ML applicati alla MRI mostrano un potenziale promettente per la diagnosi precoce dell’ASD; tuttavia, solo attraverso una maggiore qualità metodologica e una migliore replicabilità dei modelli sarà possibile tradurre questi risultati in strumenti clinici affidabili.