MUNNA: A Multi-strategy, Uncertainty-driven, Nested Neuro-ensemble Algorithm for Disease Diagnosis with Closed-loop Explainability Feedback

Immagina di essere un detective che cerca di risolvere un mistero, ma invece di una scena del crimine, stai osservando la cartella clinica di un paziente. Questa cartella è piena di centinaia di piccoli indizi: numeri che rappresentano dimensioni, forme e consistenze cellulari. L'obiettivo è capire se un paziente è malato o sano. Nel mondo della scienza, questo viene chiamato "diagnosi di malattia", e per molto tempo i computer hanno aiutato i medici agendo come detective superveloci. Tuttavia, questi detective informatici hanno avuto alcune abitudini fastidiose. A volte, si incantano a guardare gli indizi sbagliati, pensando che siano i più importanti quando non lo sono. Altre volte, si affidano all'opinione di un singolo "esperto", anche se un gruppo di esperti sarebbe più intelligente. Infine, spesso spiegano le loro risposte dopo il fatto, come un detective che scrive un rapporto dopo che il caso è stato chiuso, invece di usare quelle spiegazioni per aiutare a risolvere meglio il mistero fin dall'inizio.

Per correggere queste abitudini, gli scienziati usano alcuni trucchi astuti. Un trucco è la "selezione delle caratteristiche" (feature selection), che è come un detective che decide quali indizi tenere e quali scartare per non essere sopraffatto dal rumore. Un altro è l' "apprendimento d'insieme" (ensemble learning), dove invece di chiedere a un solo detective, ne chiedi a un intero team di diversi esperti (alcuni bravi con la matematica, altri con i modelli) e lasci che votino sulla risposta. Il terzo trucco è la "spiegabilità" (explainability), che consiste semplicemente nel chiedere al computer: "Perché hai fatto quella scelta?", in modo che gli esseri umani possano fidarsi di lui. La grande domanda è: possiamo combinare tutti questi trucchi in un sistema super intelligente che impara dalle proprie spiegazioni per diventare ancora migliore?

Questo è esattamente ciò che un ricercatore di nome Md. Maruf Sharker Munna ha cercato di fare in un nuovo studio chiamato MUNNA. Pensa a MUNNA come a un'agenzia investigativa ad alta tecnologia che non si limita a risolvere il caso una volta, ma continua a perfezionare i suoi metodi finché non sono perfetti. Il documento propone un processo in tre fasi per diagnosticare le malattie, testato specificamente su dati relativi al tumore al seno.

Fase 1: Il Cacciatore di Indizi Intelligente
Per prima cosa, MUNNA deve decidere quali indizi dalla cartella clinica siano effettivamente utili. Immagina di avere una borsa con 30 strumenti diversi, ma ne servono solo pochi per risolvere un problema specifico. MUNNA usa una strategia ibrida chiamata GWO-SA. Immagina un branco di lupi in caccia. Il lupo "Alpha" è il leader e il branco lo segue per trovare il cibo (il miglior set di indizi). Ma a volte, l'Alpha può rimanere intrappolato in una trappola locale, pensando che un piccolo cespuglio sia il posto migliore. Per risolvere questo problema, MUNNA aggiunge un passaggio di "Simulated Annealing" (ricottura simulata). Questo è come dare all'Alpha un improvviso scatto di energia per saltare in un punto completamente nuovo solo per vedere se c'è qualcosa di meglio. Combinando il lavoro di squadra del branco con questi salti improvvisi, MUNNA trova il set perfetto di 20 indizi tra gli originali 30, scartando quelli rumorosi e inutili.

Fase 2: Il Voto del Team Affidabile
Una volta scelti i migliori indizi, MUNNA chiama in campo un team di cinque diversi "base learners" (esperti). Questi sono diversi tipi di modelli informatici: una Random Forest, un XGBoost, una Support Vector Machine, un K-Nearest Neighbors e un Multilayer Perceptron. In un team normale, tutti ricevono un voto uguale. Ma MUNNA è più intelligente. Utilizza lo stacking pesato sull'incertezza (uncertainty-weighted stacking). Immagina che ogni esperto fornisca una previsione, ma alcuni siano molto sicuri (come dire "Ne sono sicuro al 99%") mentre altri siano incerti (come dire "Forse al 55%"). MUNNA calcola quanto ogni esperto sia "confuso" usando un concetto matematico chiamato entropia di Shannon. Se un esperto è confuso, MUNNA lo ascolta meno. Se è sicuro, lo ascolta di più. In questo modo, la decisione finale non è solo una banale media; è un voto dinamico dove l'esperto più sicuro per quel paziente specifico ha la voce più forte.

Fase 3: Il Ciclo di Feedback
Ecco la parte più unica. Di solito, dopo che un modello prende una decisione, gli scienziati usano uno strumento chiamato SHAP per spiegare perché ha fatto quella scelta. Ma MUNNA non si ferma qui. Prende quelle spiegazioni e le reinserisce nella primissima fase. È come un detective che risolve un caso, annota quali indizi sono stati i più importanti e poi usa quell'elenco per assumere un nuovo team di detective per il caso successivo, che sono già orientati verso quegli indizi importanti. Questo "ciclo chiuso" avviene due volte. La prima volta, i lupi cacciano gli indizi. Poi, lo strumento SHAP dice loro quali indizi sono stati effettivamente gli eroi. I lupi cacciano di nuovo, partendo con un vantaggio su quegli indizi eroici, rendendo la selezione finale ancora più precisa.

Cosa hanno scoperto?
I ricercatori hanno testato l'intero sistema su un famoso dataset contenente 569 campioni di cellule di tumore al seno. I risultati sono stati impressionanti. Il sistema completo MUNNA ha raggiunto un punteggio chiamato AUC di 0.998 e un F1-score di 0.976. Per mettere le cose in prospettiva, i modelli singoli standard (come una semplice Random Forest) hanno ottenuto punteggi intorno a 0.994, e persino un normale voto di squadra senza i truci speciali ha ottenuto 0.995. MUNNA li ha battuti tutti. È riuscito a farlo utilizzando solo 20 delle 30 caratteristiche originali, dimostrando che meno è meglio.

Tuttavia, il documento è molto onesto riguardo ai suoi limiti. Gli autori notano che il successo di MUNNA dipende fortemente da quanto "tempo di calcolo" gli viene permesso di spendere. Quando lo hanno testato con un budget più piccolo (meno lupi e meno round di caccia), il vantaggio rispetto a un normale voto di squadra si è ridotto e, in alcuni casi, il team standard è stato leggermente migliore in media. Ciò suggerisce che MUNNA non è una bacchetta magica che funziona istantaneamente; è uno strumento potente che ha bisogno di una buona quantità di tempo ed energia per splendere.

Lo studio chiarisce anche che, sebbene le singole parti (come l'algoritmo dei lupi o lo strumento SHAP) non siano nuove invenzioni, il modo specifico in cui sono concatenate — usando la spiegazione per guidare la ricerca successiva e usando la fiducia per pesare i voti — è una combinazione innovativa. I ricercatori non hanno sostenuto di aver risolto tutta la diagnosi medica, ma hanno dimostrato che questo specifico approccio a ciclo chiuso crea un sistema altamente accurato per questo specifico tipo di dati sul cancro. Hanno persino regolato il punto di decisione finale ("sì o no", ovvero la soglia) a 0.530 invece del solito 0.5, assicurando che il sistema sia bilanciato per i rischi medici reali.

In breve, MUNNA è un detective intelligente e capace di auto-miglioramento che impara dai propri errori e dalla fiducia dei membri del suo team per risolvere misteri medici con un'incredibile precisione, a patto che abbia abbastanza tempo per fare i compiti.