Il trattamento delle persone affette dal morbo di Parkinson può essere notevolmente migliorato grazie all’uso di tecniche digitali. Il modo in cui l’intelligenza artificiale può contribuire esattamente a una terapia individuale è attualmente analizzato in molti studi e indagini. L’obiettivo è quello di essere in grado di rilevare in modo affidabile i primi segni, per poter intervenire nel corso della malattia il più precocemente possibile.
La malattia di Parkinson (PD) è la causa degenerativa più comune del parkinsonismo. Il parkinsonismo atipico comprende la paralisi sopranucleare progressiva (PSP), l’atrofia sistemica multipla (MSA) e la degenerazione corticobasale (CBD). La differenziazione clinica delle sindromi di Parkinson è ancora difficile. Pertanto, è stato studiato se la risonanza magnetica e l’apprendimento automatico migliorano l’accuratezza diagnostica nei pazienti con PD precoce rispetto ai criteri clinici [1]. 118 pazienti con sospetto parkinsonismo atipico, per i quali era disponibile il follow-up e la risonanza magnetica cerebrale era stata eseguita al basale, sono stati arruolati nello studio. Le diagnosi al basale e dopo un periodo di follow-up di due anni sono state effettuate utilizzando i criteri clinici pubblicati. La diagnosi di risonanza magnetica è stata fatta in base all’analisi radiologica delle immagini di risonanza magnetica. Le immagini pesate in T1 sono state segmentate con FreeSurfer, un software di segmentazione automatica, e sono stati estratti i volumi delle regioni di interesse: Mesencefalo, Pons, Cervelletto e Gangli Basali. Un algoritmo di apprendimento automatico supervisionato (regressione logistica), precedentemente sviluppato e addestrato con i volumi delle stesse regioni, è stato testato su questa popolazione. Successivamente, è stata confrontata l’accuratezza diagnostica dei criteri clinici alla prima visita, l’analisi radiologica della risonanza magnetica e l’algoritmo di apprendimento automatico, utilizzando la diagnosi finale come riferimento.
I criteri diagnostici clinici sono risultati avere un’accuratezza diagnostica del 63,6% al basale. L’analisi radiologica della risonanza magnetica ha classificato correttamente l’82% dei pazienti che soddisfacevano i criteri per una possibile diagnosi e il 75% dei pazienti con una diagnosi non chiara al basale. L’algoritmo ha anche confermato la diagnosi di parkinsonismo nel 91% dei pazienti e nel 66% dei pazienti con una diagnosi indeterminata. I risultati evidenziano i limiti dei criteri clinici e il contributo della risonanza magnetica alla differenziazione precoce del parkinsonismo. Sebbene l’accuratezza fosse inferiore a quella della risonanza magnetica, l’apprendimento automatico potrebbe essere d’aiuto nei centri che non sono esperti.
Guardare in profondità negli occhi
Le malattie neurodegenerative (NDD) sono la principale e crescente causa di disabilità a livello mondiale. L’aumento dei tassi di Parkinson è particolarmente allarmante. Pertanto, c’è un’urgente necessità di biomarcatori sensibili e specifici che consentano una previsione differenziale – soprattutto nelle fasi iniziali e prodromiche della malattia, in modo da poter pianificare e perseguire un approccio medico personalizzato alle terapie. Lo sviluppo di misure oggettive per la malattia di Parkinson (PD) è complicato dallo spettro cognitivo e motorio della malattia, nonché dalla presenza di disturbi atipici come la paralisi sopranucleare progressiva (PSP). Il tracciamento oculare è stato proposto come fonte di biomarcatori prospettici nella PD. Un lavoro recente ha dimostrato l’uso dell’apprendimento automatico per classificare la PD e il suo spettro cognitivo in base alle caratteristiche oculomotorie. Ora è stata dimostrata una maggiore sensibilità in un compito di visione libera e non strutturata, sia per la PD che per la PSP [2].
120 pazienti con PD, 8 partecipanti con PSP e 97 partecipanti di controllo abbinati per età senza disfunzioni neurologiche hanno eseguito un compito naturalistico di visione libera mentre i loro occhi venivano tracciati con alta precisione. Le masse di saccadi, pupille e ammiccamenti sono state estratte dai filmati di 10 minuti. Queste misurazioni sono state utilizzate per addestrare un classificatore utilizzando una macchina vettoriale di supporto. Il classificatore è stato regolato e le prestazioni sono state misurate utilizzando l’area sotto le curve caratteristiche operative del ricevitore (ROC-AUC) con una serie di test e una convalida incrociata. È stato riscontrato che la PD e la PSP possono essere predette con un’elevata sensibilità utilizzando un paradigma di osservazione a vista libera. La ROC-AUC non solo era paragonabile al compito di antisaccade, ma addirittura migliore. Successivamente, le prestazioni di questo classificatore saranno valutate in modo indipendente utilizzando un set di test naïve.
Classificazione basata sulle scansioni cerebrali
I futuri trattamenti neuroprotettivi per la PD evidenziano la necessità di un test diagnostico precoce. La risonanza magnetica non è attualmente considerata un test di imaging robusto per la PD. Ma le tecniche esplorative suggeriscono che sequenze sperimentali specifiche possono essere in grado di rilevare cambiamenti patologici precoci nel cervello. È stato quindi studiato se tali cambiamenti possono essere rilevati nelle scansioni MRI di routine utilizzando i metodi di apprendimento profondo (DL) [3]. Questo sottoinsieme dell’apprendimento automatico ha recentemente mostrato una grande promessa per la diagnostica medica per immagini, in quanto ha il potenziale di rilevare modelli invisibili all’occhio umano. I nuovi metodi esplicativi consentono di interpretare meglio le previsioni della DL.
194 scansioni sono state effettuate più di quattro anni dopo la diagnosi, 265 da due a quattro anni dopo la diagnosi, 241 da uno a due anni dopo la diagnosi e 282 meno di un anno dopo la diagnosi. Ogni coorte è stata abbinata ai controlli in base all’età e al sesso. Più lungo è il tempo trascorso dalla diagnosi, migliore è la performance diagnostica dei modelli. I modelli addestrati sui casi più tardivi di Parkinson hanno mostrato buone prestazioni diagnostiche. Il calo delle prestazioni per le fasi più precoci della PD suggerisce che sono stati identificati cambiamenti progressivi. L’uso dell’IA spiegabile ha evidenziato regioni coerenti con la neuropatologia nota della PD e fornisce un focus per il lavoro futuro.
Riconoscere e classificare il tremore
I sintomi principali della PD sono bradicinesia, tremore e rigidità. La diagnosi di PD dipende principalmente dalla valutazione clinica con la revisione della Unified Parkinson Disease Rating Scale (MDS-UPDRS), sponsorizzata dalla Movement Disorder Society. Uno studio ha cercato di sviluppare un programma di apprendimento automatico per rilevare e classificare il tremore nei pazienti con la malattia di Parkinson [4].
È stato sviluppato un accelerometro meccanico triassiale per misurare oggettivamente il tremore nella PD e nei disturbi del movimento correlati, oltre alla valutazione clinica. A tale scopo, è stata utilizzata una misurazione quantitativa continua a basso costo dei movimenti delle estremità delle persone con PD – una modifica dell’MDS-UPDRS. Il protocollo è stato condotto da valutatori certificati MDS-UPDRS addestrati su 20 partecipanti con PD e otto controlli sani abbinati per età e sesso. I segmenti di dieci secondi dei segnali di accelerazione dei compiti ripetitivi (battitura delle dita, movimenti delle mani, pronazione-supinazione delle mani, battitura delle dita dei piedi e mobilità delle gambe) e le loro Trasformate Fourier Veloce (FFT) e Trasformata Wavelet Continua (CWT) sono stati divisi in due classi: bassa (corrispondente alle valutazioni 0-1) e alta (corrispondente alle valutazioni 3-4). Un numero uguale di immagini è stato selezionato in modo casuale da ciascuna classe e utilizzato per la classificazione. La capacità della rete di classificare correttamente le immagini di convalida ha determinato il suo tasso di successo.
La rete ha avuto un’accuratezza del 92% nella previsione di nuove immagini CWT e del 97% nella previsione di nuove immagini STFT nelle classi basse (0-1) e alte (3-4). L’utilizzo dell’apprendimento automatico per classificare l’output degli strumenti di movimento è una tecnica valida per classificare i movimenti ripetitivi delle persone con PD e dei controlli sani. L’esperimento deve essere ripetuto con 100 pazienti e 100 soggetti sani di controllo.
Tic a fuoco
Distinguere tra i tic nelle persone con disturbi da tic e i movimenti aggiuntivi nei controlli sani può essere difficile. Inoltre, la valutazione dei tic dalle registrazioni video è lunga e noiosa. L’apprendimento automatico ha il potenziale per aiutare a risolvere queste sfide, distinguendo tra tic e altri movimenti aggiuntivi e supportando le valutazioni cliniche.
In uno studio, un set di dati di 63 video di persone con disturbi da tic è stato utilizzato per addestrare un classificatore a foresta casuale per il rilevamento dei tic secondo per secondo [5]. Il classificatore ha utilizzato le caratteristiche del viso come input e ha definito i secondi di tic come quelli con tic uguali o più forti di una soglia predefinita. Il classificatore addestrato è stato poi utilizzato per prevedere la presenza di tic nei pazienti e di movimenti aggiuntivi nei controlli sani. Queste previsioni sono state utilizzate per calcolare varie caratteristiche, come il numero di tic al minuto, la durata massima di un segmento continuo non tic, la durata massima di un tic continuo, la durata media dei segmenti senza tic, il numero di cambiamenti da tic a segmenti non tic e viceversa al minuto, la dimensione media di un cluster di tic e il numero di cluster al minuto. Queste caratteristiche sono state combinate in un unico punteggio di riconoscimento dei tic utilizzando la regressione logistica. I parametri del modello sono stati determinati dall’addestramento con un set di dati di 124 video di persone con disturbi da tic e 162 video di controlli sani. Per valutare l’accuratezza di questo punteggio nella classificazione dei pazienti e dei controlli sani, è stato utilizzato un set di dati di prova composto da 50 video di pazienti e 50 video di controlli sani. Il set di prova ha ottenuto un’accuratezza di classificazione dell’83%.
L’algoritmo di apprendimento automatico è utile per riconoscere i tic e distinguere tra i tic e altri movimenti aggiuntivi. Potrebbe essere sviluppato in uno strumento clinicamente applicabile. Per migliorare l’accuratezza della classificazione, il passo successivo consiste nel perfezionare il punteggio per il rilevamento dei tic. Inoltre, verrà analizzata l’importanza delle caratteristiche individuali, per determinare quali caratteristiche sono più utili per distinguere i due gruppi. L’algoritmo potrebbe anche essere utile per distinguere tra tic e movimenti funzionali.
Congresso: Congresso internazionale della malattia di Parkinson e dei disturbi del movimento® 2023
Letteratura:
- Chougar L, Faucher A, Faouzi J, et al.: Contribution of MRI and machine learning approaches to the diagnosis of patients with early-stage parkinsonism in a situation of clinical uncertainty [abstract 161]. Mov Disord 2023; 38 (suppl 1).
- Brien D, Riek H, Ye R, et al.: Machine learning classifies Parkinson’s Disease and Progressive Supranuclear Palsy on saccade, pupil, and blink measures during a naturalistic free-viewing task [abstract 276]. Mov Disord 2023; 38 (suppl 1).
- Courtman M, Thurston M, Mcgavin L, et al.: Explainable deep learning based detection of Parkinson’s changes in MRI brain scans [abstract 1552]. Mov Disord 2023; 38 (suppl 1).
- Elshourbagy T, Hernandez M, Mckay G, Brasic J: Artificial Intelligence to detect and classify tremors in patients with Parkinson’s disease and related conditions [abstract 1211]. Mov Disord 2023; 38 (suppl 1).
- Becker L, Schappert R, Brügge N, et al.: New machine learning approaches in tic detection: Seeking to learn more about the characteristic of tics [abstract 951]. Mov Disord 2023; 38 (suppl 1).
InFo NEUROLOGIE & PSYCHIATRIE 2023; 21(5): 24–25
