A Systematic Review of Deep Learning Algorithms for the Early Detection of Chronic Disease

Le malattie croniche come il cancro, l'insufficienza cardiaca, il diabete e le patologie epatiche sono le principali cause di morte e disabilità in tutto il mondo. Si sviluppano lentamente nel tempo, spesso nascondendo la propria presenza finché non hanno causato danni significativi. Poiché individuare queste malattie precocemente può salvare vite e ridurre la sofferenza, medici e scienziati cercano costantemente modi migliori per rilevarle prima che compaiano i sintomi. Negli ultimi anni, un ramo dell'informatica noto come deep learning è emerso come uno strumento potente per questo compito. A differenza dei vecchi programmi informatici che richiedevano agli esseri umani di insegnare loro manualmente cosa cercare, i sistemi di deep learning possono insegnare se stessi. Essi lo fanno studiando enormi quantità di informazioni, come immagini mediche, risultati di analisi del sangue o registrazioni del ritmo cardiaco, imparando a riconoscere modelli sottili che l'occhio umano potrebbe mancare. Questa capacità di trovare segnali nascosti in dati complessi offre una nuova speranza per prevedere le malattie molto prima che diventino critiche.

Un team di ricercatori della Chittagong University of Engineering and Technology in Bangladesh si è posto l'obiettivo di capire esattamente fin dove è arrivata questa tecnologia. Non hanno condotto un singolo nuovo esperimento; hanno invece eseguito una ricerca massiccia e organizzata attraverso migliaia di studi scientifici esistenti per vedere cosa è già stato scoperto. Seguendo un rigoroso insieme di regole utilizzate per garantire equità e accuratezza nelle revisioni scientifiche, hanno setacciato centinaia di articoli pubblicati tra il 2018 e il 2026. Da un pool iniziale di 800 studi, hanno selezionato con cura 55 rapporti di alta qualità che si concentravano specificamente sull'uso del deep learning per la diagnosi precoce delle malattie croniche. Il loro obiettivo era mappare il panorama della ricerca attuale, identificando quali modelli informatici funzionano meglio, quali dati utilizzano e dove la tecnologia incontra ancora difficoltà.

I ricercatori hanno scoperto che i modelli informatici di maggior successo dipendono fortemente dal tipo di dati che stanno analizzando. Quando il compito comporta l'analisi di immagini, come raggi X, scansioni MRI o immagini al microscopio di tessuti, un tipo specifico di modello di deep learning chiamato Rete Neurale Convoluzionale è il leader indiscusso. Questi sistemi eccellono nel individuare forme, texture e confini all'interno delle immagini. In studi focalizzati sul cancro, in particolare sul cancro al seno e sulla pelle, questi modelli focalizzati sulle immagini hanno raggiunto un successo straordinario, con alcuni che hanno raggiunto tassi di accuratezza fino al 99,5 percento. Ad esempio, uno studio ha utilizzato un modello per analizzare migliaia di immagini di tessuto mammario e ha identificato correttamente il cancro in quasi ogni caso, mentre un altro sistema ha distinto tra diversi tipi di tumori cutanei con precisione simile. Questi modelli stanno diventando così bravi da poter talvolta vedere dettagli invisibili a occhio nudo, offrendo un potente secondo parere ai patologi.

Tuttavia, non tutti i dati medici arrivano sotto forma di immagini. Alcune informazioni, come i battiti cardiaci, le onde cerebrali o la storia clinica di un paziente nel corso di molti anni, arrivano come una sequenza di numeri che cambiano nel tempo. Per questi tipi di dati, sono necessarie architetture informatiche diverse. La revisione ha evidenziato che i modelli progettati per ricordare le informazioni passate, come le reti Long Short-Term Memory, sono particolarmente efficaci per le malattie cardiache e il diabete. Questi sistemi possono tracciare l'evoluzione della condizione di un paziente, individuando tendenze pericolose nel ritmo cardiaco o nei livelli di zucchero nel sangue che un singolo istantanea non coglierebbe. Nella previsione delle malattie cardiache, modelli specifici come l'HQNN hanno raggiunto un'accuratezza del 99,8 percento. Allo stesso modo, per il diabete, nuovi approcci che combinano diversi tipi di apprendimento hanno dimostrato la capacità di prevedere l'insorgenza della malattia, con uno studio che ha raggiunto il 75 percento di accuratezza nel prevedere l'inizio del diabete di tipo 2 con sette anni di anticipo utilizzando dati che vanno da semplici esami del sangue a complessi marcatori genetici.

Nonostante questi numeri impressionanti, i ricercatori sono stati attenti a sottolineare che la tecnologia non è ancora pronta per sostituire i medici in ogni clinica. Un ostacolo principale è la mancanza di dati di alta qualità e etichettati. Per insegnare a un computer a riconoscere una malattia, gli scienziati hanno bisogno di migliaia di esempi in cui la risposta è già nota, ma tali dataset sono spesso piccoli, incompleti o distorti. Inoltre, questi potenti sistemi informatici sono spesso "black box" (scatole nere), il che significa che possono fornire una risposta corretta senza spiegare perché sono giunti a tale conclusione. In medicina, conoscere il ragionamento dietro una diagnosi è importante quanto la diagnosi stessa. La revisione ha anche notato che molti degli studi di maggior successo sono stati testati solo in ambienti controllati o su specifici dataset locali, ed è ancora poco chiaro se funzionerebbero altrettanto bene in ospedali diversi o con popolazioni di pazienti differenti.

Gli autori concludono che, sebbene il deep learning abbia dimostrato il suo potenziale per rivoluzionare la diagnosi precoce delle malattie, rimangono lavori significativi prima che possa essere ampiamente affidato alla pratica medica quotidiana. La strada da seguire prevede la creazione di collezioni di dati medici più ampie e diversificate e lo sviluppo di metodi che rendano questi modelli informatici più trasparenti e facili da comprendere. La revisione suggerisce che il futuro risiede in approcci ibridi, dove diversi tipi di modelli vengono combinati per gestire simultaneamente sia le immagini che i dati temporali, e nell'uso dell'intelligenza artificiale spiegabile che possa dire a un medico esattamente cosa ha visto per prendere la sua decisione. Finché queste sfide non saranno affrontate, il deep learning servirà probabilmente al meglio come un sofisticato assistente, aiutando i professionisti medici a individuare i primi segni di malattie croniche e dando ai pazienti una migliore possibilità di una vita sana.