Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
Questo studio dimostra che un modello di deep learning ibrido CNN–LSTM supera significativamente una CNN autonoma nel rilevamento della schizofrenia da segnali EEG a riposo, raggiungendo un'accuratezza del 92,03% e sottolineando il valore dell'integrazione dell'apprendimento delle sequenze temporali per una diagnosi oggettiva.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il cervello umano è una vasta, ronzante rete di attività elettrica, che cambia costantemente mentre pensiamo, sentiamo e percepiamo il mondo. Per decenni, gli scienziati hanno cercato di ascoltare questo ronzio per capire cosa vada storto quando colpiscono i disturbi della salute mentale. Uno di questi disturbi, la schizofrenia, è una condizione grave che altera il modo in cui una persona vede la realtà, portando spesso ad allucinazioni o pensieri confusi. Attualmente, i medici diagnosticano questa malattia basandosi ampiamente sull'ascolto dei pazienti che descrivono le loro esperienze e sull'osservazione del loro comportamento, un processo che si affida molto al giudizio umano e che può talvolta mancare i primi segni di problemi. Per trovare un modo più oggettivo per individuare la malattia precocemente, i ricercatori si sono rivolti all'elettroencefalografia, o EEG. Questa tecnica prevede l'applicazione di piccoli sensori sul cuoio capelluto per registrare i segnali elettrici del cervello. A differenza delle costose scansioni che scattano foto della struttura cerebrale, l'EEG cattura i ritmi rapidi e dinamici del cervello in tempo reale, offrendo una finestra sulle tempeste elettriche che potrebbero caratterizzare la schizofrenia.
In uno studio recente, i ricercatori della Universiti Teknologi Malaysia si sono posti l'obiettivo di vedere se potessero insegnare a un computer di riconoscere automaticamente questi modelli elettrici. Hanno lavorato su una collezione di registrazioni di onde cerebrali di 81 persone: 49 con diagnosi di schizofrenia e 32 sane. Il team voleva testare due diversi tipi di programmi informatici, noti come modelli di deep learning, per vedere quale fosse in grado di distinguere meglio i due gruppi. Il primo modello era progettato per cercare forme e schemi specifici nelle onde cerebrali, proprio come una fotocamera identifica i bordi in una fotografia. Il secondo modello era un ibrido più complesso che non solo cercava queste forme, ma prestava anche attenzione all'ordine con cui i segnali arrivavano, comprendendo come l'attività cerebrale cambiasse nel tempo.
I ricercatori hanno iniziato pulendo i dati grezzi. Le registrazioni originali erano piene di rumore derivante dai movimenti muscolari e dalle interferenze ambientali, quindi hanno filtrato la staticità indesiderata e hanno regolato la forza del segnale per rendere i dati uniformi. Hanno poi inserito queste informazioni pulite nei due programmi informatici. Il primo programma, che si concentrava solo sui modelli spaziali dei segnali, è riuscito a identificare il gruppo corretto con un AUC di 0,73. Era ragionevolmente bravo a individuare i cervelli sani, ma faticava a identificare correttamente le persone con schizofrenia; il modello identificava correttamente solo il 46,78% dei pazienti schizofrenici, mentre il 53,22% veniva erroneamente classificato come sano. Ciò suggeriva che, sebbene il programma potesse vedere la "forma" delle onde cerebrali, gli mancava qualcosa di cruciale su come quelle onde si muovevano ed evolvevano.
Il secondo programma, che combinava il riconoscimento di schemi con la comprensione del tempo, è stato significativamente più performante. Imparando non solo l'aspetto dei segnali, ma anche come si svelassero secondo dopo secondo, questo modello ha raggiunto un AUC superiore a 0,92. Ha identificato correttamente circa il 91 percento delle persone con schizofrenia e quasi il 90 percento degli individui sani. I risultati hanno mostato che la tempistica dell'attività elettrica del cervello contiene indizi vitali che gli scatti statici perdono. Lo studio ha rilevato che il modello ibrido era molto più affidabile, con un tasso di successo quasi 20 punti percentuali superiore rispetto al modello più semplice.
Questi risultati suggeriscono che la chiave per rilevare la schizofrenia attraverso le onde cerebrali risiede nel comprendere la storia che i segnali raccontano nel tempo, non solo l'immagine che creano in un singolo momento. Sebbene i ricercatori abbiano notato che il loro dataset fosse relativamente piccolo e che siano necessari ulteriori test con gruppi più ampi prima che questo metodo possa essere utilizzato negli ospedali, i risultati offrono una strada promettente. Indicano che, insegnando ai computer di ascoltare il ritmo del cervello, potremmo presto avere uno strumento potente e oggettivo per aiutare i medici a cogliere questo difficile disturbo in modo più precoce e accurato che mai.
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.