Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction

Il cervello umano cambia con l'invecchiamento, proprio come il resto del corpo, ma questi cambiamenti non avvengono alla stessa velocità per tutti. Alcune persone mantengono un cervello che appare e funziona come quello di una persona molto più giovane, mentre altre mostrano segni di invecchiamento molto prima di quanto suggerisca il loro certificato di nascita. Gli scienziati hanno sviluppato un modo per misurare questa differenza, noto come "età cerebrale". Alimentando i programmi informatici con migliavere di scansioni cerebrali, insegnano al software di prevedere l'età di una persona basandosi esclusivamente sulla struttura del suo cervello. Se il computer ipotizza che una persona sia più vecchia di quanto non sia in realtà, ciò suggerisce che il suo cervello sia invecchiato più velocemente della media, segnalando potenzialmente rischi nascosti per la salute. Questo concetto è diventato uno strumento potente per comprendere la salute del cervello, ma il suo utilizzo efficace è sempre stato ostacolato da un grande ostacolo: la privacy. Gli ospedali non possono semplicemente condividere le scansioni dei pazienti con altri per costruire un modello migliore, poiché leggi rigorose proteggono i dati medici individuali. Ciò crea un dilemma in cui i migliori modelli richiedono enormi quantità di dati provenienti da molti luoghi, eppure quei dati non possono essere spostati.

Un team di ricercatori in Francia e negli Stati Uniti ha affrontato questo problema testando un nuovo approccio chiamato apprendimento federato (federated learning). Invece di raccogliere tutte le scansioni cerebrali in un unico luogo centrale, hanno mantenuto i dati chiusi all'interno di ciascuno dei sedici diversi ospedali in cui sono stati raccolti. Hanno inviato un programma informatico in ogni ospedale, lasciandolo apprendere dai pazienti locali e riportando indietro solo le lezioni che il programma aveva appreso, non i dati dei pazienti stessi. Ciò ha permesso loro di costruire un singolo modello potente che comprendesse le sfumature dell'invecchiamento cerebrale in una popolazione diversificata senza mai violare le regole sulla privacy. Hanno applicato questo metodo a un gruppo specifico di pazienti: 1.674 individui che avevano subito un tipo grave di ictus e avevano ricevuto una procedura meccanica per liberare l'ostruzione nei vasi sanguigni del cervello. I ricercatori volevano vedere se questo metodo rispettoso della privacy potesse stimare accuratamente l'età cerebrale e, cosa più importante, se tale stima potesse prevedere quanto bene i pazienti avrebbero recuperato le loro funzioni quotidiane tre mesi dopo l'ictus.

Lo studio si è concentrato sulle immagini acquisite prima di iniziare qualsiasi trattamento, specificamente un tipo di scansione chiamato FLAIR che evidenzia liquidi e danni nel cervello. I ricercatori hanno confrontato tre diversi modi per costruire i loro modelli di previsione. Il primo era il metodo tradizionale, in cui tutte le immagini di tutti i sedici centri venivano accorpate in un unico enorme dataset. Il secondo era il nuovo metodo federato, in cui il modello apprendeva localmente in ogni sito e condivideva solo i suoi aggiornamenti. Il terzo era un test di base utilizzando i dati di un solo ospedale per vedere quanto si perdeva ignorando il resto della rete. I risultati hanno mostrato che, sebbene il metodo tradizionale e centralizzato producesse stime dell'età più precise, l'approccio federato era sorprendentemente vicino e significativamente migliore rispetto al ricorso ai dati di un singolo ospedale. Ciò ha dimostrato che il nuovo metodo poteva catturare la complessità di un gruppo ampio e diversificato di pazienti senza dover spostare un singolo file di immagine fuori dal proprio ospedale di origine.

Il vero valore di questo lavoro, tuttavia, non risiedeva solo nell'accuratezza delle stime dell'età, ma in ciò che quelle stime rivelavano sulla salute dei pazienti. I ricercatori hanno scoperto che l'"età cerebrale" calcolata da questi modelli era fortemente legata ai risultati reali. I pazienti i cui cervelli apparivano più vecchi delle loro età effettive avevano una probabilità significativamente maggiore di soffrire di diabete e una probabilità molto più alta di avere un recupero scarso tre mesi dopo l'ictus. Al contrario, i pazienti i cui cervelli sembravano più giovani del previsto tendevano ad avere risultati funzionali migliori, il che significa che avevano maggiori probabilità di recuperare la propria indipendenza. Questa connessione rimaneva valida indipendentemente dal fatto che il modello fosse costruito utilizzando i dati centralizzati o il metodo federato. Anche quando i ricercatori hanno corretto l'analisi per altri fattori noti come la gravità dell'ictus, il tempo trascorso per ricevere il trattamento e altre condizioni mediche, la stima dell'età cerebrale rimaneva un forte predittore del recupero.

Lo studio ha anche esplorato come diversi tipi di caratteristiche cerebrali contribuissero a queste previsioni. Alcuni modelli osservavano il volume complessivo di diverse regioni cerebrali, mentre altri esaminavano migliaia di minuscoli dettagli di texture all'interno della materia bianca del cervello. I modelli più complessi che analizzavano questi dettagli fini tendevano a essere più accurati e mostravano un legame più forte con il recupero del paziente. Interessante è che i ricercatori hanno scoperto che il modo specifico in cui il modello veniva addestrato contava meno per l'insight clinico finale rispetto al fatto che fosse addestrato su un gruppo ampio e diversificato. Che il modello fosse costruito in modo centrale o federato, il messaggio principale rimaneva lo stesso: un cervello che appare più vecchio di quanto dovrebbe sia un segnale di avvertimento per un recupero difficile. Ciò suggerisce che l'approccio federato non è solo un aggiramento tecnico delle leggi sulla privacy, ma una via percorribile per creare strumenti medici robusti che possano essere utilizzati in diversi ospedali.

Dimostrando che un modello può apprendere da sedici centri diversi senza mai vedere i dati grezzi di più di uno alla volta, lo studio offre una soluzione pratica a un importante collo di bottiglia nella ricerca medica. Dimostra che gli ospedali possono collaborare per migliorare l'assistenza ai pazienti e prevedere gli esiti senza compromettere la riservatezza dei pazienti. I risultati suggeriscono che in futuro i medici potrebbero essere in grado di utilizzare questi modelli sicuri per la privacy per identificare precocemente i pazienti colpiti da ictus che sono ad alto rischio di un recupero scarso, consentendo piani di riabilitazione più personalizzati e intensivi. Il lavoro conferma che la barriera della privacy dei dati non deve fermare il progresso della scienza medica; con gli strumenti giusti, gli ospedali possono condividere la conoscenza mantenendo al contempo sicuri i dati dei pazienti, portando infine a una migliore assistenza per coloro che si riprendono da alcuni degli eventi più devastanti per il corpo umano.