DIPOG: una rete neurale grafica dinamica con pooling e consapevolezza spazio-temporale-frequenziale per la diagnosi della malattia di Alzheimer

Questo studio introduce DIPOG, una rete neurale grafica dinamica progettata per la diagnosi della malattia di Alzheimer (AD) tramite l'analisi delle immagini di risonanza magnetica funzionale a riposo (rsfMRI). L'obiettivo è catturare le caratteristiche spazio-temporali-frequenziali e dinamiche delle reti cerebrali, migliorando la precisione diagnostica e la generalizzabilità del modello. Il metodo si basa su un autoencoder innovativo per estrarre accuratamente le caratteristiche temporali attraverso l'apprendimento della rappresentazione degli intervalli temporali. Inoltre, è impiegata una strategia di apprendimento auto-supervisionato mascherato, con compiti di ricostruzione mirati a regioni cerebrali e periodi temporali specifici, potenziando così la capacità del modello di adattarsi a pattern anomali tipici dell'AD. Un metodo di pooling dinamico, che utilizza la tecnica di dynamic time warping, consente di aggregare caratteristiche di istanti temporali con pattern simili, preservando le variazioni temporali. Lo studio ha incluso 2.857 campioni provenienti da otto centri diversi, confrontando la performance del modello con dodici approcci all'avanguardia. I risultati indicano un miglioramento di precisione del 6,4% rispetto al modello migliore di confronto. Inoltre, tramite un metodo di spiegabilità, sono state identificate le aree cerebrali salienti correlate a scale neuropsicologiche, evidenziando che le caratteristiche spazio-temporali-frequenziali riflettono la progressione della malattia. I limiti non sono esplicitamente riportati nell'abstract. Questo lavoro propone un framework di apprendimento spaziotemporale utile per una diagnosi personalizzata e precisa dell'AD.