A Comparative Evaluation of Structural MRI Foundation Models for Age, Sex, and Body-Mass Index Predictions

Il cervello umano è un organo complesso e comprendere come cambi nel tempo o come differisca tra le persone è un obiettivo centrale della neuroscienza moderna. Per guardare all'interno del cervello vivente senza ricorrere alla chirurgia, i ricercatori si affidano alla risonanza magnetica, una tecnica che crea mappe tridimensionali dettagliate della struttura cerebrale. Per decenni, gli scienziati hanno analizzato queste mappe misurando manualmente caratteristiche specifiche, come lo spessore dello strato esterno del cervello o la dimensione della sua superficie ripiegata. Queste misurazioni, note come caratteristiche morfometriche, hanno fornito una solida base per lo studio di condizioni come la malattia di Alzheimer o gli effetti naturali dell'invecchiamento. Tuttavia, raccogliere un numero sufficiente di scansioni cerebrali per studiare malattie rare o popolazioni diversificate è difficile, e i metodi tradizionali richiedono spesso un grande sforzo umano per interpretare i dati. Negli ultimi anni, è emersa un nuovo approccio: addestrare sistemi informatici su collezioni massicce di scansioni cerebrali affinché possano imparare a riconoscere i modelli autonomamente. Questi sistemi, chiamati modelli di fondazione (foundation models), sono progettati per comprendere direttamente le immagini grezze, offrendo potenzialmente un modo più potente per estrarre informazioni significative dalle scansioni mediche rispetto ai metodi più vecchi.

Un team di ricercatori si è posto l'obiettivo di testare se questi nuovi sistemi informatici offrano davvero un vantaggio rispetto ai metodi stabiliti utilizzati per anni. Si sono concentrati su quattro modelli disponibili pubblicamente che erano stati pre-addestrati su grandi dataset di immagini cerebrali. Per vedere quanto bene questi modelli funzionassero in scenari reali, i ricercatori hanno raccolto immagini di risonanza magnetica da tre diversi gruppi di persone: individui con la malattia di Parkinson, una rete di bambini e adulti sani, e una vasta coorte di volontari sani. Hanno chiesto ai modelli informatici di eseguire tre compiti specifici che sono comuni nella ricerca sul cervello: determinare il sesso di una persona, stimare la sua età e predire l'indice di massa corporea. Per garantire un confronto equo, il team ha testato questi nuovi modelli contro un approccio standard che si basa sulla misurazione dello spessie e dell'area superficiale della corteccia cerebrale, un metodo che da tempo è il gold standard nel campo. Hanno utilizzato un framework di test coerente in cui ai modelli informatici non era permesso apprendere nulla di nuovo durante il test, assicurando che i risultati riflettessero solo ciò che i modelli avevano già appreso dal loro addestramento iniziale.

I risultati hanno mostrato che i nuovi modelli informatici non vincevano automaticamente ogni volta. Sebbene alcuni dei modelli di fondazione si siano comportati meglio delle misurazioni tradizionali in compiti specifici o con determinati gruppi di persone, il quadro generale era misto. Due dei modelli, 3D-Neuro-SimCLR e AnatCL, hanno superato costantemente i metodi tradizionali nella maggior parte dei test. Tra questi, 3D-Neuro-SimCLR ha mostrato la prestazione più affidabile, sebbene abbia avuto difficoltà con un compito specifico riguardante la classificazione del sesso nel dataset HBN. Gli altri modelli testati non hanno superato costantemente le misurazioni tradizionali, suggerendo che la capacità di un computer di apprendere i propri modelli dalle immagini grezze non garantisce risultati migliori in ogni situazione. I ricercatori hanno anche scoperto che il modo in cui questi nuovi modelli comprendevano il cervello era diverso da come lo descrivevano le misurazioni tradizionali, indicando che il computer stava vedendo relazioni nei dati che le misurazioni progettate dall'uomo potrebbero perdere.

Questo studio fornisce un chiaro punto di riferimento per il settore, mostrando che, sebbene questi avanzati modelli informatici detengano una grande promessa, non sono ancora un sostituto universale delle tecniche consolidate. I risultati suggeriscono che modelli come 3D-Neuro-SimCLR e AnatCL sono strumenti particolarmente forti per migliorare le predizioni nella diagnostica per immagini cerebrale, ma il loro successo dipende fortemente dalla domanda specifica posta e dalla popolazione studiata. Per aiutare altri scienziati a proseguire questo lavoro, i ricercatori hanno reso pubblici i loro metodi di test, creando una risorsa viva dove nuovi modelli possono essere aggiunti e confrontati man mano che vengono sviluppati. Questa trasparenza assicura che il campo possa procedere con una chiara comprensione di quali strumenti funzionino meglio, evitando l'assunto che la nuova tecnologia sia sempre superiore senza prove. Il lavoro conferma che questi modelli di fondazione sono un'aggiunta preziosa alla cassetta degli attrezzi del neuroscienziato, offrendo una via verso predizioni più accurate quando il modello giusto viene abbinato al compito giusto.