An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

Il cervello umano è una vasta, ronzante rete di segnali elettrici, che emette costantemente impulsi in schemi che cambiano con i nostri pensieri, le nostre emozioni e i nostri stati di salute. Per decenni, i medici si sono affidati a interviste e osservazioni per diagnosticare condizioni di salute mentale complesse come la schizofrenia, un disturbo che altera il modo in cui una persona pensa, sente e interagisce con il mondo. Sebbene questi metodi clinici siano essenziali, sono anche soggettivi, portando spesso a ritardi o classificazione errata. Negli ultimi anni, gli scienziati si sono rivolti all'elettroencefalografia, o EEG, una tecnica non invasiva che posiziona sensori sul cuoio capelluto per registrare l'attività elettrica del cervello. A differenza delle costose scansioni cerebrali, l'EEG è economico e portatile, offrendo una finestra diretta sulla dinamica in tempo reale del cervello. La sfida è sempre stata il fatto che questi segnali elettrici sono incredibilmente complessi e sottili, rendendo difficile individuare i modelli specifici che distinguono un cervello sano da uno affetto da malattia.

Un team di ricercatori provenienti da diverse università dell'Iran ha sviluppato un nuovo modo per affrontare questo problema, creando un sistema che non solo identifica questi modelli, ma spiega anche esattamente come li ha trovati. Analizzando le registrazioni di 101 persone — 51 diagnosticate con schizofrenia e 50 volontari sani — i ricercatori hanno costruito un framework di apprendimento automatico capace di distinguere tra i due gruppi con una precisione notevole. Lo studio si è concentrato su due stati specifici: quando i partecipanti stavano seduti a occhi chiusi e quando stavano seduti a occhi aperti. Il sistema non si è limitato a indovinare; ha setacciato migliaia di descrizioni matematiche delle onde cerebrali, ha selezionato quelle più significative e ha utilizzato un potente algoritmo per prendere la sua decisione. Fondamentalmente, i ricercatori non si sono fermati a una semplice risposta "sì o no". Hanno utilizzato un metodo per scrostare gli strati del processo decisionale del computer, rivelando quali parti specifiche del cervello e quali tipi di attività elettrica fossero i più importanti per la diagnosi.

Il cuore di questo lavoro risiede nel modo in cui i ricercatori hanno gestito l'enorme volume di dati raccolti dai sensori EEG. Ogni registrazione produceva una quantità massiccia di informazioni, troppe perché un computer possa elaborarle efficientemente senza confondersi. Per risolvere questo problema, il team ha utilizzato un processo di selezione passo dopo passo per trovare le venti misurazioni più utili tra le migliaia disponibili. Queste misurazioni non erano semplici medie; includevano descrizioni complesse di quanto le onde cerebrali fossero caotiche o ordinate, nonché quanta energia fosse presente in diverse fasce di velocità dei segnali. Una volta pronto questo set di dati più piccolo e di alta qualità, i ricercatori hanno testato dieci diversi tipi di modelli di apprendimento computazionale per vedere quale potesse separare meglio i pazienti dai controlli sani. Hanno utilizzato un metodo di test rigoroso in cui il computer veniva addestrato sui dati di quasi tutti e poi testato su una singola persona che non aveva mai visto prima, ripetendo questo processo per ogni partecipante per garantire che i risultati fossero genuini e non solo un colpo di fortuna.

I risultati hanno mostrato che i modelli informatici performavano meglio quando i partecipanti avevano gli occhi chiusi. In questo stato di riposo tranquillo, i modelli di maggior successo identificavano correttamente la condizione circa l'81 percento delle volte. I modelli che funzionavano meglio erano quelli che imitano il modo in cui un gruppo di esperti vota su una decisione, combinando molti piccoli giudizi per raggiungere una conclusione finale. Quando i partecipanti aprivano gli occhi, i modelli erano ancora in grado di distinguere i gruppi, ma l'accuratezza diminuiva leggermente, suggerendo che l'attività interna di riposo del cervello contenga segni più chiari del disturbo rispetto alla sua attività durante l'elaborazione del mondo esterno. Il computer non si basava su un unico tipo di segnale per prendere queste decisioni; al contrario, ha scoperto che un mix di diverse misurazioni funzionava meglio. I segnali più importanti provenivano dalla parte anteriore e dai lati del cervello, coinvolgendo specificamente la velocità delle onde e la complessità dei loro schemi.

Forse il contributo più significativo di questo studio è la trasparenza che apporta al processo. In molti tentativi precedenti di utilizzare i computer per la diagnosi medica, il sistema agisce come una "scatola nera", fornendo una risposta senza spiegare il perché. Qui, i ricercatori hanno utilizzato uno strumento per mappare esattamente quali caratteristiche hanno guidato le decisioni del computer. Hanno scoperto che il segnale più influente era una misura della complessità dalla parte anteriore centrale del cervello. Quando questo segnale era altamente complesso, il computer tendeva a diagnosticare la schizofrenia; quando era più semplice, tendeva verso una diagnosi di salute. Altri segnali chiave includevano la forza di specifici ritmi di onde cerebrali nelle regioni temporali sui lati della testa. Questa scoperta suggerisce che il disturbo non è definito da una singola parte guasta del cervello, ma da una combinazione di cambiamenti nel modo in cui diverse regioni elaborano le informazioni e in quanto caotica diventa la loro attività elettrica.

I ricercatori sono stati attenti a sottolineare che, sebbene il loro sistema abbia performato bene, è stato testato su un gruppo specifico di persone di un singolo centro medico. Ciò significa che i risultati sono promettenti ma non sono ancora una soluzione definitiva per ogni ospedale del mondo. Lo studio argomenta esplicitamente contro l'idea che test semplici e su piccola scala siano sufficienti, mostrando che gli studi precedenti con pochissimi partecipanti producevano spesso risultati eccessivamente ottimistici che non reggevano a un test più rigoroso. Utilizzando un gruppo di persone più ampio e un metodo di test più severo, questo studio fornisce un quadro più realistico di ciò che è possibile. Il lavoro dimostra che combinare una selezione attenta delle misurazioni delle onde cerebrali con l'apprendimento computazionale avanzato può creare uno strumento di diagnosi affidabile. Dimostra inoltre che questi strumenti possono essere resi comprensibili, mostrando ai medici e ai pazienti esattamente quali segni biologici vengono utilizzati per raggiungere una conclusione. Questo approccio offre una via verso strumenti diagnostici più obiettivi, basati sul cervello, che potrebbero un giorno aiutare i medici a diagnosticare la schizofrenia in modo più precoce e accurato, andando oltre le interviste soggettive verso una comprensione più chiara della realtà elettrica del cervello.