Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

Il cervello umano non è un organo statico; cambia forma e struttura man mano che invecchiamo. Proprio come la nostra pelle sviluppa rughe o le nostre ossa perdono densità nel tempo, il cervello subisce una trasformazione naturale e graduale. Gli scienziati hanno imparato a misurare questi cambiamenti utilizzando la risonanza magnetica nucleare, o MRI, per creare un concetto chiamato "età cerebrale". Questa è una cifra che stima quanto appaia vecchio il cervello di una persona in base alla sua struttura fisica, piuttosto che in base agli anni che ha effettivamente vissuto. Se un cervello appare più vecchio dell'età reale della persona, può segnalare che l'organo è sotto stress o a rischio di malattie come la demenza. Per anni, i ricercatori hanno usato questa idea per cercare di individuare precocemente problemi di salute. Tuttavia, gli strumenti utilizzati per calcolare questa età cerebrale presentano un difetto significativo: sono stati costruiti quasi interamente utilizzando dati provenienti da persone del Nord America, dell'Europa e dell'Australia. Questi modelli assumono che tutti i cervelli umani invecchino nello stesso modo, indipendentemente da dove una persona viva o dal suo background. Questa ipotesi ignora il fatto che la genetica, l'ambiente e persino le macchine specifiche utilizzate per scattare le immagini possono influenzare l'aspetto di un cervello.

Un team di ricercatori si è posto l'obiettivo di testare se questi strumenti di produzione occidentale funzionino per le persone in Africa, specificamente in Nigeria. Si sono avvalsi dell'Africa Neuroimaging Archive (AfNiA), un database multi-istituzionale che contiene oltre 11.000 scansioni cerebrali cliniche da tutto il continente. Da questo vasto archivio, hanno selezionato con cura 309 scansioni di adulti nigeriani neurologicamente sani, ovvero che non presentavano malattie o anomalie cerebrali note. Queste scansioni specifiche provenivano da varie fonti, inclusi ospedali pubblici e privati in Nigeria, e sono state acquisite utilizzando cinque diversi tipi di macchine MRI. Molte di queste immagini non erano le immagini 3D nitide e ad alta risoluzione tipicamente usate nella ricerca; erano invece spesso fette 2D più veloci e di qualità inferiore, scattate per far transitare rapidamente i pazienti in clinica. Per rendere queste immagini utilizzabili per il loro studio, il team ha utilizzato un programma per computer per convertire le fette 2D in immagini 3D, colmando efficacemente le lacune per creare un'immagine completa del cervello. Hanno poi sottoposto queste immagini a un rigoroso controllo di qualità, rimuovendo qualsiasi scansione troppo sfocata o distorta per essere utile, garantendo che il loro dataset finale fosse il più affidabile possibile date le limitazioni del mondo reale.

Con il loro dataset pulito pronto, il team ha addestrato un nuovo modello informatico per apprendere la relazione tra la struttura cerebrale e l'età specificamente per questa popolazione nigeriana. Hanno insegnato al modello a osservare la dimensione e la forma di diverse regioni cerebrali e a prevedere l'età della persona. Quando hanno testato questo nuovo modello, esso ha fornito previsioni con un errore medio di circa 9,8 anni prima che applicassero un aggiustamento statistico standard. Dopo aver effettuato una semplice correzione per tenere conto della tendenza comune di questi modelli a sovrastimare l'età dei giovani e sottostimare l'età degli anziani, l'errore è sceso significativamente a soli 6,4 anni. Questo livello di accuratezza è paragonabile ai migliori modelli addestrati su grandi dataset di alta qualità del Nord del mondo, ma è stato raggiunto utilizzando dati che erano molto più rappresentativi della popolazione locale.

Per vedere quanto bene si sarebbero comportati i vecchi modelli importati, i ricercatori hanno testato quattro diversi strumenti consolidati di età cerebrale sugli stessi dati nigeriani. Questi strumenti erano stati addestrati su decine di migliaia di scansioni di persone del Regno Unito, degli Stati Uniti e dell'Europa. I risultati sono stati netti. I modelli importati hanno commesso errori molto più grandi, con alcuni che sbagliavano di oltre 16 anni in media. Uno dei modelli di deep learning più avanzati, che era stato lodato per la sua capacità di generalizzare su nuovi gruppi, è fallito completamente su una piccola parte delle scansioni, non riuscendo a elaborare le immagini. Un altro modello si è comportato così male da prevedere la direzione errata dell'invecchiamento per il gruppo. I ricercatori hanno scoperto che questi modelli stavano essenzialmente cercando di forzare i cervelli nigeriani a rientrare in un pattern che non avevano mai visto, portando a confusione e risultati inaccurati. Lo studio ha dimostrato che anche gli strumenti più sofisticati non possono essere semplicemente trasferiti tra continenti senza perdere la loro affidabilità.

Lo studio ha anche evidenziato le sfide pratiche del portare queste tecnologie in contesti con scarse risorse. Sebbene il nuovo modello costruito fosse accurato, il processo di preparazione delle immagini ha richiesto un tempo enorme. Convertire e analizzare le scansioni per tutti i 309 partecipanti ha richiesto quasi 40 giorni di elaborazione continua del computer. Questo collo di bottiglia, causato dalla necessità di scomporre le immagini cerebrali in parti specifiche prima che il modello possa leggerle, è un ostacolo importante per l'uso di questi strumenti in ospedali molto affollati dove la velocità è essenziale. I ricercatori hanno notato che, sebbene esistano metodi più recenti e veloci, essi richiedono computer potenti ed costosi che non sono disponibili in molte parti dell'Africa. Ciò crea un difficile compromesso: i modelli più accurati sono troppo lenti e costosi per essere usati ampiamente, mentre i modelli più veloci sono spesso meno accurati o falliscono completamente sui dati locali.

In definitiva, questo lavoro dimostra che la strada verso una migliore salute cerebrale in Africa richiede un approccio diverso. Non è sufficiente prendere gli strumenti sviluppati nelle nazioni ricche e applicarli alle popolazioni africane. I ricercatori hanno dimostrato che, utilizzando dati locali per costruire modelli locali, potevano ottenere risultati che fossero sia più accurati che più rilevanti per le persone studiate. Hanno concluso che il futuro della salute cerebrale globale dipende dalla creazione di un ecosistema diversificato di strumenti, ciascuno validato per le popolazioni specifiche che sono destinati ad aiutare. Mentre continuano a raccogliere dati in tutto il continente, sperano di perfezionare ulteriormente questi modelli, creando infine un sistema che possa identificare in modo affidabile gli individui a rischio di invecchiamento cerebrale accelerato, permettendo un intervento precoce e una migliore assistenza per milioni di persone che sono state a lungo escluse dal discorso.