Within-cohort discrimination and cross-cohort transfer of EEG-based ADHD classifiers: An exploratory two-cohort evaluation
Questo studio esplorativo rivela che, sebbene i classificatori basati su EEG raggiungano una forte discriminazione intra-coorte per gli adulti con ADHD, essi non riescono a generalizzare ai bambini e spesso producono classifiche invertite tra le coorti, evidenziando significativi limiti nella trasferibilità cross-coorte dovuti a differenze non separate di età, compito e acquisizione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Il cervello umano è un complesso organo elettrico, che emette costantemente segnali che possono essere misurati dal cuoio capelluto tramite sensori. Questi segnali, noti come elettroencefalografia o EEG, creano un'impronta digitale elettrica unica per ogni persona. Per decenni, gli scienziati hanno sperato di utilizzare queste impronte digitali per identificare specifiche condizioni cerebrali, come il disturbo da deficit di attenzione/iperattività, o ADHD. L'idea è che se un computer potesse imparare a riconoscere i modelli elettrici di un cervello sano rispetto a uno con ADHD, potrebbe eventualmente aiutare i medici a fare diagnosi più rapide e accurate. Tuttavia, esiste un grande ostacolo: il cervello cambia mentre cresciamo, e il modo in cui registriamo questi segnali cambia a seconda di ciò che una persona sta facendo in quel momento. Un modello trovato in un bambino che sta seduto fermo potrebbe apparire molto diverso da un modello trovato in un adulto, o persino dallo stesso bambino che svolge un compito diverso. La grande domanda è se un programma per computer addestrato a individuare l'ADHD in un gruppo di persone possa effettivamente funzionare su un gruppo di persone completamente diverso, o se funzioni solo per il gruppo specifico su cui è stato istruito.
Uno studio recente si è proposto di testare esattamente questo problema utilizzando due gruppi di persone molto diversi tra loro. I ricercatori hanno raccolto dati da 121 bambini che stavano eseguendo un compito visivo e da 79 adulti che erano semplicemente a riposo con gli occhi aperti. Hanno utilizzato un metodo standard di apprendimento automatico per costruire un modello che potesse distinguere tra persone con ADHD e persone senza, ma lo hanno fatto in modo molto rigoroso. Hanno addestrato il modello su un gruppo e poi hanno immediatamente provato a usarlo sull'altro gruppo senza apportare alcuna modifica o aggiustamento. Questo è come insegnare a uno studente a riconoscere un tipo specifico di uccello in una foresta e poi chiedergli di identificare lo stesso uccello in una foresta completamente diversa, con una luce diversa e alberi diversi, senza fornirgli una nuova guida.
I risultati sono stati sorprendenti e hanno rivelato una profonda divisione tra ciò che accade all'interno di un singolo gruppo e ciò che accade quando si tenta di passare all'altro. Quando i ricercatori hanno testato i modelli informatici sugli adulti per cui erano stati addestrati, il sistema ha funzionato eccezionalmente bene. Ha identificato correttamente gli adulti con ADHD circa il 95% delle volte, un livello di accuratezza che suggerisce che i modelli elettrici nel gruppo degli adulti fossero molto distinti e facili da apprendere per il computer. Tuttavia, quando lo stesso modello informatico, addestrato sugli adulti, è stato applicato ai bambini, è fallito completamente. In effetti, ha classificato i bambini con ADHD come se fossero sani e i bambini sani come se avessero il disturbo. Il contrario era altrettanto vero: un modello addestrato sui bambini ha performato scarsamente quando testato sugli adulti, spesso classificando i gruppi nell'ordine opposto rispetto a quello atteso.
Questo risultato non è solo un semplice fallimento della tecnologia; evidenzia una differenza fondamentale nel modo in cui i segnali cerebrali si comportano attraverso le età e le attività. I ricercatori hanno scoperto che le specifiche caratteristiche elettriche che rendevano gli adulti facili da classificare erano completamente diverse dalle caratteristiche che avrebbero potuto aiutare con i bambini. Nel gruppo degli adulti, il computer si basava pesantemente sulla frequenza delle onde cerebrali, una misura di quanto velocemente i segnali oscillano. Nei bambini, queste stesse misure di frequenza non fornivano quasi nessuna informazione utile. Lo studio ha dimostrato che anche quando i ricercatori utilizzavano gli stessi identici sensori sugli stessi due punti della testa e registravano per lo stesso identico intervallo di tempo, i dati sottostanti erano così diversi che un modello addestrato su un gruppo diventava inutile per l'altro.
I ricercatori hanno anche testato come la quantità di dati utilizzati per l'addestramento influenzasse i risultati. Hanno scoperto che fornire al computer più dati dai bambini non risolveva il problema. Anche quando hanno alimentato il modello con ogni singola registrazione disponibile dai bambini, il modello addestrato sui bambini rimaneva confuso, sebbene la sua prestazione fosse migliorata leggermente avvicinandosi a un caso di indovinare casualmente piuttosto che rimanere sul fondo. Il modello addestrato sugli adulti rimaneva altamente accurato per gli adulti ma rimaneva inutile per i bambini. Ciò suggerisce che il problema non sia semplicemente la mancanza di dati o la necessità di maggiore tempo di addestramento. Al contrario, la natura stessa del segnale cambia così drasticamente tra un bambino che svolge un compito e un adulto a riposo che un unico insieme di regole non può applicarsi a entrambi.
Lo studio conclude che il successo di un modello cervello-computer è profondamente legato al gruppo specifico di persone per cui è stato costruito. Un modello che funziona perfettamente per una popolazione non funziona automaticamente per un'altra, anche se l'obiettivo è la stessa diagnosi medica. I ricercatori sottolineano che questo non significa che la tecnologia sia rotta o che l'ADHD non possa essere rilevato tramite le onde cerebrali. Significa piuttosto che i metodi attuali non sono ancora abbastanza robusti da colmare il divario tra diverse età e diverse attività. Le scoperte fungono da necessario richiamo alla realtà per il settore, mostrando che un'alta accuratezza in un contesto non garantisce il successo in un altro. Finché gli scienziati non troveranno un modo per costruire modelli che comprendano queste profonde differenze tra bambini e adulti, o tra diversi compiti, questi strumenti rimarranno limitati ai gruppi specifici per i quali sono stati progettati, piuttosto che diventare uno strumento diagnostico universale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.