A Scoping Review of Foundation Models in Dementia Research

La demenza è una sfida profonda sia per le famiglie che per i sistemi sanitari, una condizione che erode lentamente la memoria e l'indipendenza. Con l'invecchiamento della popolazione globale, il numero di persone che vivono con questa condizione è in aumento, creando un urgente bisogno di modi migliori per rilevarla precocemente. La diagnosi precoce è fondamentale perché nuovi trattamenti stanno diventando disponibili e funzionano meglio se iniziati proprio all'inizio della malattia, prima che si verifichino danni significativi. Per trovare questi segni precoci, gli scienziati si stanno rivolgendo all'intelligenza artificiale, in particolare a un nuovo e potente tipo di programma informatico noto come modello di base (foundation model). Pensate a questi modelli come a vaste biblioteche di conoscenza che hanno letto milioni di libri, ascoltato innumerevoli conversazioni e studiato diverse immagini, permettendo loro di comprendere schemi nel linguaggio e nel comportamento umano che un normale programma per computer potrebbe ignorare. I ricercatori sperano che questi strumenti possano ascoltare il parlato di un paziente, leggere le sue note mediche o analizzare le scansioni cerebrali per individuare le sottili impronte digitali della demenza molto prima che un medico possa accorgersene.

Un team di ricercatori provenienti da università del Regno Unito si è recentemente posto l'obiettivo di mappare l'attuale panorama di questa tecnologia. Volevano sapere esattamente come questi sistemi di IA avanzati vengano utilizzati per studiare la demenza, quanto funzionino effettivamente e quali lacune rimangano prima che possano essere affidati a un ospedale. Per rispondere a questo, hanno condotto una revisione approfondita di articoli scientifici pubblicati tra gennaio 2022 e agosto 2026. Hanno cercato studi che applicassero questi modelli di base a compiti come il rilevamento della malattia, la diagnosi, la previsione della sua progressione o la stima del rischio di una persona di svilupparla. Dopo aver setacciato centinaia di record, si sono concentrati su cinquanta studi di alta qualità da analizzare in profondità, esaminando i metodi utilizzati, i dati forniti ai computer e i risultati ottenuti.

I ricercatori hanno scoperto che il campo si sta muovendo rapidamente ma rimane nelle sue fasi iniziali. La maggior parte degli studi si è concentrata su due compiti principali: rilevare la presenza della demenza o diagnosticarla dopo la comparsa dei sintomi. Il modo in cui questi modelli sono stati costruiti variava significativamente. Alcuni studi hanno utilizzato modelli che erano già stati addestrati su enormi quantità di dati generali e poi accuratamente regolati, o "affinati" (fine-tuned), per i compiti legati alla demenza. Altri hanno utilizzato sistemi di IA commerciali, quelli disponibili al pubblico, semplicemente ponendo loro domande o fornendo loro dati senza cambiare le loro impostazioni interne. Un gruppo più piccolo di studi ha costruito modelli da zero, addestrandoli interamente su nuovi dati. I risultati hanno mostrato un chiaro compromesso tra la dimensione del modello e la sua affidabilità. I massicci sistemi commerciali hanno prodotto i punteggi più alti in alcuni casi, ma la loro prestazione era estremamente inconsistente; in alcune istanze, non performavano meglio di un caso casuale. Al contrario, i modelli affinati per il compito specifico della ricerca sulla demenza hanno fornito i risultati più coerenti e affidabili, con la maggior parte degli studi che mostrava una solida performance. I modelli costruiti da zero hanno generalmente ottenuto prestazioni moderate, spesso non riuscendo a superare i tipi di programmi informatici più semplici e datati.

Nonostante questi promettenti risultati tecnici, la revisione ha messo in luce gravi limitazioni che impediscono l'uso di questi strumenti nelle cliniche odierne. Un problema principale era la mancanza di diversità nei dati. La stragrande maggioranza degli studi si basava su dati provenienti dagli Stati Uniti e i partecipanti erano prevalentemente bianchi. Pochissimi studi riportavano l'etnia o la razza delle persone coinvolte, e molti non riportavano nemmeno l'età. Quando il genere veniva riportato, i risultati erano raramente suddivisi per vedere se l'IA funzionasse ugualmente bene per uomini e donne. Questa mancanza di diversità significa che non sappiamo se questi strumenti funzioneranno per persone di diverse origini, lingue o età. Inoltre, i dati utilizzati erano spesso ristretti, basandosi pesantemente su registrazioni vocali o singoli tipi di cartelle cliniche, piuttosto che combinare molteplici fonti come scansioni cerebrali, informazioni genetiche e dati sullo stile di vita.

Un'altra scoperta critica è stata la debolezza nel modo in cui questi modelli sono stati testati. Nella ricerca medica, un nuovo strumento deve dimostrare di funzionare su dati che non ha mai visto prima per garantire che non stia solo memorizzando le risposte. La maggior parte degli studi esaminati ha testato i propri modelli solo sui dati utilizzati per l'addestramento, una pratica che può portare a risultati eccessivamente ottimistici. Solo un piccolo numero di studi ha testato i propri modelli su gruppi completamente separati di persone provenienti da ospedali o regioni diverse. Ancora meno hanno confrontato i propri risultati con il "gold standard" per la diagnosi della demenza, che è l'esame del tessuto cerebrale dopo il decesso. Senza questo test rigoroso, è impossibile sapere se questi sistemi di IA possano gestire la complessità e la varietà dei pazienti del mondo reale. I ricercatori hanno concluso che, sebbene la tecnologia sia molto promettente, è attualmente una prova di concetto piuttosto che una soluzione pronta all'uso. Per passare dal laboratorio alla clinica, la ricerca futura deve dare priorità a dataset più ampi e diversificati, a test rigorosi su gruppi indipendenti e a una chiara comprensione di come questi strumenti si comportano in diverse popolazioni. Fino ad allora, questi potenti sistemi rimangono un lavoro in corso, offrendo uno sguardo sul futuro ma non ancora un sostituto del giudizio clinico umano.