A 2-Level Stacking Ensemble Framework for Multi-Class Alzheimer’s Disease Diagnosis Using CNN Feature Extractors and SVM-XGBoost Classifiers

Diagnosticare precocemente l'Alzheimer è una delle sfide più urgenti nella medicina moderna, che spesso si affida ai medici per esaminare le scansioni della risonanza magnetica, o MRI, del cervello. Queste immagini rivelano la struttura fisica del cervello, mostrando come diverse regioni si restringano o cambino man mano che la malattia progredisce attraverso stadi che vanno da una perdita di memoria molto lieve fino alla demenza grave. Sebbene gli esperti umani possano individuare questi cambiamenti, il compito è difficile perché le differenze tra gli stadi precoci sono sottili e l'anatomia del cervello è complessa. Per aiutare, gli scienziati si sono rivolti all'intelligenza artificiale, specificamente a un tipo di programma informatico noto come modello di deep learning. Questi programmi agiscono come microscopi digitali, addestrati per riconoscere modelli nelle immagini mediche che l'occhio umano potrebbe perdere. Combinando gli approfondimenti di diversi modelli informatici, i ricercatori sperano di creare un sistema che sia non solo più accurato, ma anche più affidabile di qualsiasi singolo programma che lavori da solo.

In uno studio recente, i ricercatori Shashi Kant Mourya e Ajit Kr. Singh Yadav del NERIST in India hanno sviluppato un sistema sofisticato progettato per classificare le scansioni cerebrali in quattro categorie distinte: non demenza, demenza molto lieve, demenza lieve e demenza moderata. Il loro approccio, descritto come un ensemble a due livelli (two-level stacking ensemble), funziona raccogliendo le opinioni di tre diversi esperti di intelligenza artificiale e poi facendo in modo che un quarto giudice, più esperto, prenda la decisione finale. I primi tre esperti sono reti informatiche specializzate addestrate per analizzare le fette di MRI. Due di queste reti sono design consolidati e ben noti, chiamati ResNet152 e DenseNet121, che sono stati utilizzati in molti studi precedenti. Il terzo esperto è una rete personalizzata creata specificamente per questo progetto, chiamata Shashi-CNN, che è stata progettata da zero per concentrarsi sulle texture uniche presenti nelle scansioni cerebrali.

Inveve di lasciare che queste tre reti votino sulla risposta, i ricercatori le hanno fatte lavorare insieme in una sequenza specifica. Per prima cosa, ogni rete ha analizzato le immagini cerebrali ed ha estratto un elenco dettagliato di caratteristiche, traducendo essenzialmente i dati visivi in un lungo elenco di numeri che descrivono la condizione del cervello. Questi elenchi sono stati poi combinati e semplificati per rimuovere qualsiasi rumore confondente, mantenendo solo le informazioni più importanti. Questi dati raffinati sono stati inseriti in un classificatore di primo livello, un tipo di strumento matematico noto come Support Vector Machine, che ha formulato una previsione iniziale per ogni immagine. Fondamentalmente, per garantire che il sistema non si limitasse a memorizzare le risposte, i ricercatori hanno addestrato questo primo livello utilizzando un metodo in cui il modello veniva testato su dati che non aveva visto durante la fase di addestramento.

Il passaggio finale ha coinvolto un giudice di secondo livello, un algoritmo avanzato chiamato XGBoost, che fungeva da meta-learner. Questo giudice non guardava le immagini cerebrali grezze; invece, guardava i punteggi di confidenza e le previsioni generate dalle prime tre reti e dal classificatore di primo livello. Analizzando come questi diversi esperti concordavano o discordevano, il modello XGBoost ha imparato a pesare le loro opinioni, decidendo quale esperto fosse più affidabile per ogni specifico tipo di scansione cerebrale. Questo approccio a strati ha permesso al sistema di cogliere errori che un singolo modello potrebbe perdere, creando efficacementmente un team dove le debolezze di uno sono coperte dai punti di forza di un altro.

I risultati di questo studio sono stati straordinariamente alti. Quando testato su un dataset di 6.400 fette di MRI cerebrali, il sistema completo ha raggiunto un tasso di accuratezza di quasi il 99,97 percento. Ciò significa che, su ogni 10.000 scansioni, il sistema ha identificato correttamente lo stadio della demenza in 9.997 casi. Il sistema ha performato quasi perfettamente in tutti e cinque i diversi round di test, mostrando un livello di coerenza che suggerisce che non sia solo fortunato, ma che comprenda davvero i pattern della malattia. In confronto, il miglior singolo modello utilizzato nello studio, lo Shashi-CNN personalizzato, ha raggiunto un'accuratezza di circa il 98,4 percento, mentre gli altri modelli stabiliti hanno ottenuto punteggi inferiori. I ricercatori hanno confermato che il miglioramento ottenuto utilizzando l'intero team di modelli era statisticamente significativo, il che significa che la differenza era reale e non dovuta al caso.

Per garantire che il sistema prendesse decisioni per le ragioni giuste, i ricercatori hanno utilizzato una tecnica di visualizzazione chiamata Grad-CAM. Questo strumento crea una mappa di calore sopra l'immagine cerebrale originale, evidenziando le aree specifiche su cui il computer stava concentrando l'attenzione quando effettuava la diagnosi. Le visualizzazioni hanno mostrato che il modello si concentrava su aree anatomicamente rilevanti, come l'ippocampo e le regioni corticali, che sono note per restringersi nei pazienti con Alzheimer. Non si è lasciato distrarre dal rumore di fondo o da parti irrilevanti dell'immagine. Questo focus sulle corrette strutture biologiche dà ai medici la fiducia che il sistema stia imparando riguardo alla malattia stessa, piuttosto che limitarsi a memorizzare pattern nei dati.

Sebbene lo studio abbia raggiunto risultati quasi perfetti sul dataset utilizzato, gli autori hanno osservato che il sistema non è ancora stato testato su dati provenienti da ospedali diversi o con diversi tipi di macchine MRI. Il dataset conteneva un mix di scansioni cerebrali, ma una categoria, che rappresenta i pazienti con demenza moderata, era molto più piccola delle altre, il che potrebbe influenzare il modo in cui il sistema apprende. Nonostante queste limitazioni, lo studio dimostra che combinare molteplici modelli di deep learning con un sistema di voto intelligente può creare uno strumento potente per distinguere tra i sottili stadi della malattia di Alzheimer. I risultati suggeriscono che un tale framework potrebbe servire come ausilio altamente affidabile per la diagnosi precoce, aiutando potenzialmente a intercettare la malattia quando è più trattabile.