An Interpretable AI Framework for Multiclass Classification of Thalassemia Using Combined CBC and HPLC Biomarkers

La talassemia è un disturbo ematico ereditario che colpisce milioni di persone in tutto il mondo, in particolare in Asia meridionale, nel Sud-est asiatico e nel Mediterraneo. Si verifica quando il corpo non riesce a produrre abbastanza proteine che compongono l'emoglobina, la sostanza presente nei globuli rossi che trasporta l'ossigeno. Senza una quantità sufficiente di queste proteine, il corpo fatica a produrre globuli rossi sani, portando all'anemia e a una serie di altre complicazioni per la salute. Per decenni, i medici hanno diagnosticato questa condizione esaminando campioni di sangue al microscopio e utilizzando macchine specializzate per misurare i diversi tipi di emoglobina presenti. Sebbene questo processo sia accurato, è costoso, richiede tempo e dipende fortemente dalla capacità del singolo medico nel leggere i risultati. Di conseguenza, è difficile sottoporre grandi popolazioni a screening rapidamente, specialmente nelle regioni in cui la malattia è più comune.

Negli ultimi anni, la scienza si è rivolta all'intelligenza artificiale per aiutare ad automatizzare questo processo. L'idea è quella di insegnare a un computer a riconoscere i modelli nei risultati delle analisi del sangue che indicano la talassemia, proprio come fa un medico esperto, ma con la velocità e la costanza di una macchina. Tuttavia, creare un sistema del genere non è semplice. Le analisi del sangue producono una vasta quantità di dati e i modelli per le diverse tipologie di malattia spesso si sovrappongono. Inoltre, in qualsiasi grande gruppo di persone sottoposte a screening, la stragreria della popolazione è sana, mentre solo una piccolissima frazione presenta effettivamente la malattia o il tratto genetico. Questo crea una situazione difficile per i programmi informatici, che tendono a ignorare i casi rari e a indovinare semplicemente che tutti siano sani, poiché è ciò che accade nella maggior parte dei casi.

Un team di ricercatori della SR University e della Jyothishmathi Institute of Technology & Science in India ha sviluppato un nuovo framework per risolvere questi problemi specifici. Hanno creato un sistema informatico progettato per analizzare simultaneamente due diversi tipi di risultati delle analisi del sangue: un emocromo completo standard, che misura la dimensione e il numero dei globuli rossi, e un test più dettagliato chiamato cromatografia liquida ad alte prestazioni, che separa e misura le specifiche frazioni di emoglobina. Combinando queste due fonti di informazione, i ricercatori miravano a costruire un modello che potesse non solo rilevare la malattia, ma anche distinguere tra tre gruppi distinti: persone sane, persone che portano il tratto genetico (e potrebbero trasmetterlo ai propri figli) e persone che presentano la forma attiva e grave della malattia.

I ricercatori sono partiti da un enorme dataset contenente i record di oltre 13.000 pazienti. Questa collezione includeva misurazioni dettagliate di nove biomarcatori chiave, insieme a informazioni demografiche come età e genere. I dati erano fortemente sbilanciati, con individui sani che costituivano oltre il 90 percento dei record, mentre i casi di malattia grave rappresentavano meno dello 0,5 percento. Per gestire questo squilibrio, il team ha prima pulito i dati, correggendo gli errori nella registrazione delle informazioni e convertendo le descrizioni dell'età in semplici numeri. Successivamente, hanno raggruppato i tredici diversi etichette diagnostiche presenti nei record originali nelle tre categorie più ampie necessarie per il loro sistema. Fondamentalmente, hanno utilizzato una tecnica per creare artificialmente più esempi dei rari casi di malattia all'interno dei dati di addestramento, assicurando che il computer imparasse a riconoscerli altrettanto bene rispetto ai comuni casi sani.

Per trovare il modo migliore per classificare questi pazienti, il team ha testato quattro diversi tipi di algoritmi avanzati di apprendimento automatico. I primi due si basavano su alberi di decisione, un metodo in cui il computer pone una serie di domande sì-o-no sui valori del sangue per arrivare a una conclusione. Il terzo era un modello di deep learning progettato specificamente per dati tabulari, che tenta di trovare relazioni complesse e non lineari tra i numeri. Il quarto approccio era un ensemble di tipo "stacking", che non si affidava a un singolo algoritmo, ma combinava le previsioni degli altri modelli per prendere una decisione finale. I ricercatori hanno sottoposto questi modelli a un rigoroso processo di test, assicurandosi che i dati utilizzati per istruire il computer non fossero mai gli stessi dati utilizzati per testarlo, un passaggio necessario per dimostrare che il sistema funzioni su nuovi pazienti mai visti prima.

I risultati hanno mostrato che l'approccio combinato era il più efficace. Il modello di stacking ensemble, che univa i punti di forza degli altri algoritmi, ha raggiunto un'accuratezza del 99,89 percento nell'identificare correttamente i tre gruppi. Ha identificato con successo il 94,7 percento dei casi reali di malattia e di portatori, una misura critica in medicina dove mancare una diagnosi può avere gravi conseguenze. Anche gli altri modelli hanno performato bene, con i modelli basati sugli alberi di decisione che si sono posizionati a breve distanza, ma il modello combinato ha superato costantemente tutti gli altri. I ricercatori hanno anche utilizzato un metodo per comprendere esattamente come il computer stesse prendendo le sue decisioni. Hanno scoperto che il sistema faceva affidamento soprattutto su cinque biomarcatori specifici: il livello di un tipo di emoglobina chiamato HbA2, la dimensione media dei globuli rossi, la quantità di emoglobina all'interno di queste cellule, il conteggio totale dei globuli rossi e il livello di emoglobina fetale.

Queste scoperte sono significative perché si allineano perfettamente con la conoscenza medica consolidata. I medici sanno da tempo che i livelli elevati di HbA2 e i globuli rossi più piccoli della media sono i segni distintivi dei portatori di talassemia, mentre le variazioni nell'emoglobina fetale spesso segnalano forme più gravi della malattia. Il fatto che l'intelligenza artificiale abbia identificato indipendentemente questi stessi fattori come i più importanti dà ai medici la fiducia che il sistema non stia semplicemente tirando a indovinare, ma stia effettivamente imparando le regole biologiche della malattia. Lo studio ha inoltre evidenziato come, sebbene i modelli di deep learning siano potenti, possano richiedere dataset ancora più ampi per superare i metodi più tradizionali basati sugli alberi di decisione quando si lavora con dati medici strutturati.

I ricercatori riconoscono che il loro sistema non è ancora una soluzione perfetta per ogni situazione. I dati provenivano da una singola regione dell'India e i modelli genetici della malattia possono variare in altre parti del mondo. Inoltre, il sistema è complesso e il modello più accurato è più difficile da spiegare rispetto a un singolo albero di decisione. Tuttavia, lo studio dimostra che è possibile costruire uno strumento di screening altamente accurato e automatizzato in grado di gestire la complessa realtà dei dati medici del mondo reale. Combinando diversi tipi di analisi del sangue e utilizzando una combinata intelligenza di algoritmi informatici, questo framework offre una strada promettente verso uno screening più veloce e affidabile per la talassemia, potenzialmente aiutando a identificare portatori e pazienti in modo più precoce ed efficace rispetto ai metodi attuali.