Diagnosi precoce dell’Alzheimer mediante analisi di neuroimmagini e Deep Learning

La Malattia di Alzheimer è una delle principali sfide sanitarie del XXI secolo. La diagnosi nella fase prodromica, conosciuta clinicamente come \textit{Mild Cognitive Impairment}, è un obiettivo fondamentale per massimizzare l'efficacia dei trattamenti cosiddetti \textit{disease-modifying}, ma, spesso e volentieri, l'intercettazione di questa fase risulta complessa a causa delle difficoltà nella rilevazione dei sintomi clinici precoci. Il presente elaborato si pone come obiettivo l'analisi dell'utilizzo dell'Intelligenza Artificiale, in particolare con un focus sul Deep Learning, come supporto per la diagnosi precoce basata su neuroimmagini. Cominciando dall'analisi dei fondamenti fisici della principale strumentazione biomedica utilizzata in quest'ambito e dalle pipeline di pre-processing necessarie per elaborare e normalizzare i dati acquisiti, questa tesi analizza l'evoluzione dei modelli di classificazione e degli algoritmi utilizzati maggiormente: a partire dagli approcci classici di Machine Learning, fino ad arrivare alle moderne Reti Neurali Convoluzionali, o CNN, capaci di estrarre automaticamente e autonomamente le feature comunemente associate alla neurodegenerazione. A seguito di un'analisi della letteratura scientifica e dello stato dell'arte, vengono discussi i risultati ottenuti da diverse ricerche su dataset standardizzati, come ADNI, e si evidenzia il vantaggio ottenibile da approcci multimodali. Infine, vengono discussi i principali ostacoli che rendono difficile l'implementazione clinica, come la scarsa interpretabilità dei modelli e le difficoltà di generalizzazione su dati eterogenei, dando uno sguardo sulle prospettive future nello sviluppo di sistemi di Computer-Aided Diagnosis che possano garantire affidabilità e trasparenza decisionale.