Current gaps in downstream applications of fMRI foundation models: lessons learned from BrainLM & BrainHarmonix on Prevent-AD

Il cervello umano è una vasta, ronzante rete di miliardi di cellule che comunicano attraverso segnali elettrici. Per capire come funziona questa rete, gli scienziati utilizzano spesso una potente telecamera chiamata risonanza magnetica funzionale, o fMRI. Questa macchina non scatta una fotografia statica; al contrario, registra un film del cervello mentre riposa, catturando le sottili onde di attività che si propagano attraverso diverse regioni. Osservando come queste regioni salgono e scendono in sincronia, i ricercatori possono mappare le connessioni funzionali del cervello, in modo simile a come si traccia il flusso del traffico su una mappa cittadina per vedere quali quartieri sono più strettamente collegati. Per anni, il modo standard per analizzare queste mappe è stato misurare la forza delle connessioni tra ogni coppia di regioni. Questo metodo, noto come connettività funzionale, è stato il cavallo di battaglia per predire aspetti come l'età o il sesso di una persona, e per cercare di individuare i primi segni di malattie come l'Alzheimer.

Recentemente, una nuova ondata di intelligenza artificiale ha travolto la scienza, promettendo di rivoluzionare il modo in cui comprendiamo i dati complessi. In campi come il linguaggio e la visione, i "modelli di fondazione" (foundation models) sono diventati famosi. Si tratta di programmi informatici massicci addestrati su enormi quantità di dati per apprendere i modelli sottostanti del mondo senza che venga loro insegnata una risposta specifica. Essi imparano a predire cosa verrà dopo in una frase o come appare un'immagine, costruendo una comprensione profonda e flessibile che può essere applicata a nuovi e più piccoli compiti. I ricercatori nella scienza del cervello sono stati ansiosi di provare questo approccio, sperando di addestrare modelli giganti simili su migliaia di scansioni cerebrali affinché potessero apprendere la "grammatica" generale dell'attività cerebrale. La speranza era che questi modelli diventassero strumenti potenti che qualsiasi medico o scienziato potesse usare per diagnosticare malattie o predire chi potrebbe sviluppare problemi di memoria, anche con pochissimi dati propri.

Un team di ricercatori si è messo alla prova per verificare se questa promessa fosse reale per l'imaging cerebrale. Hanno scelto due dei più nuovi e avanzati modelli di fondazione per la fMRI, chiamati BrainLM e BrainHarmonix, e li hanno messi alla prova su un dataset del mondo reale particolarmente impegnativo. Questo dataset proveniva dallo studio PREVENT-AD, che segue centinaia di adulti sani con una storia familiare di malattia di Alzheimer. L'obiettivo era vedere se questi nuovi modelli di intelligenza artificiale potessero superare i vecchi, affidabili metodi della connettività funzionale nel tentativo di predire quattro cose specifiche: il sesso di una persona, la sua fascia d'età, se avrebbe sviluppato un declino cognitivo lieve in futuro e se presentava un accumulo di una specifica proteina nel cervello che segnala l'Alzheimer. I ricercatori volevano sapere se questi modelli fossero pronti per essere utilizzati da scienziati indipendenti o se fossero ancora troppo difficili da applicare al di fuori dei laboratori che li hanno creati.

Il viaggio è iniziato con un ostacolo significativo: far funzionare semplicemente i modelli su nuovi dati non è stato affatto semplice. Quando il team ha provato a utilizzare il codice software fornito dai creatori di BrainLM, ha scoperto che non funzionava con i propri dati. Il codice si basava su un modo personalizzato e artigianale di pulire le scansioni cerebrali, incompatibile con gli strumenti standard utilizzati dalla maggior parte dei neuroscienziati. I ricercatori hanno dovuto riscrivere le fasi di elaborazione dei dati, passando a un metodo standard ampiamente accettato dalla comunità scientifica. Solo dopo aver apportato queste sostanziali modifiche, il modello ha iniziato ad apprendere correttamente. Il secondo modello, BrainHarmonix, ha presentato un problema di tipo diverso. La sua documentazione non spiegava come preparare i nuovi dati per il modello, lasciando il team a indovinare il modo corretto di normalizzare i segnali. Hanno dovuto testare diversi approcci prima di trovarne uno che producesse risultati stabili. Queste difficoltà iniziali hanno evidenziato una lacuna importante: sebbene i modelli fossero potenti, non erano ancora confezionati in un modo che permettesse ai ricercatori indipendenti di usarli facilmente senza dover affrontare significativi problemi tecnici.

Una volta messi in funzione i modelli, il team ha confrontato le loro previsioni con il metodo standard della connettività funzionale e con un semplice classificatore "dummy" che si limita a indovinare la risposta più comune ogni volta. Per la predizione del sesso, il vecchio metodo della connettività funzionale è stato in realtà il vincitore. Ha identificato correttamente il sesso dei partecipanti più spesso di quanto abbiano fatto le caratteristiche estratte dai nuovi modelli di fondazione. Per la predizione delle fasce d'età, una caratteristica del modello BrainHarmonix, derivata da immagini cerebrali strutturali piuttosto che dall'attività funzionale, ha performato leggermente meglio del metodo standard, ma la differenza era così piccola da poter essere attribuita al caso. I risultati sono stati ancora più severi per gli obiettivi clinici. Nel tentativo di predire chi avrebbe sviluppato un declino cognitivo lieve o chi aveva l'accumulo di proteine legato all'Alzheimer, nessuno dei modelli di fondazione è riuscito a battere il semplice classificatore dummy in termini di accuratezza complessiva. Ciò è dovuto principalmente al fatto che i gruppi di persone con queste condizioni erano molto piccoli rispetto al gruppo sano, rendendo difficile per qualsiasi modello trovare un segamento senza limitarsi a indovinare la maggioranza.

Tuttavia, la storia non è stata un fallimento totale. Quando i ricercatori hanno guardato più da vicino i dettagli specifici delle previsioni, hanno trovato un sottile indizio di speranza. Sebbene i modelli non fossero abbastanza accurati da essere usati come strumento diagnostico, alcune delle caratteristiche dei modelli di fondazione erano migliori nell'identificare le poche persone che avevano effettivamente la malattia rispetto al metodo standard. In altre parole, quando il modello faceva una previsione positiva, era leggermente più propenso a essere corretto, anche se mancava molti casi. Ciò suggerisce che i modelli potrebbero catturare un segnale diverso, forse più sottile, nei dati cerebrali che il metodo standard non coglie. Tuttavia, poiché questi miglioramenti non erano statisticamente significativi, i ricercatori non potevano affermare che i modelli avessero definitivamente risolto il problema. I risultati suggeriscono che il potente trasferimento di conoscenza osservato nei modelli linguistici non è ancora stato replicato nell'imaging cerebrale.

Lo studio conclude che questi modelli di fondazione non sono ancora pronti per essere adottati dai ricercatori indipendenti per uso clinico. Richiedono troppa adattabilità tecnica e non hanno ancora dimostrato di poter superare i metodi consolidati e più semplici utilizzati da decenni. Gli autori sostengono che, affinché questi modelli diventino davvero utili, il settore necessiti di strumenti software standardizzati che li rendano facili da installare ed eseguire, e che gli studi futuri debbano sempre confrontare i nuovi modelli con il baseline standard della connettività funzionale. Fino ad allora, il sogno di un modello cerebrale universale capace di diagnosticare istantaneamente l'Alzheimer o predire il declino della memoria rimane esattamente questo: un sogno, in attesa di test più rigorosi e di una migliore ingegneria per diventare realtà.