Apprendimento di atlanti cerebrali condizionati all’età tramite modellazione a prototipi liberi per la previsione dell’età cerebrale.

L’estimazione dell’età cerebrale (BA) tramite MRI strutturale rappresenta un biomarcatore promettente per la diagnosi precoce, il monitoraggio e la stratificazione del rischio nelle patologie neurodegenerative. Tuttavia, molti approcci attuali si basano su modelli deep learning opachi che limitano l’interpretabilità clinica. In questo studio viene proposto un metodo innovativo basato sulla modellazione a prototipi liberi, che impara direttamente prototipi condizionati all’età nello spazio latente, senza ancorarsi a campioni specifici di training. Tali prototipi sono decodificati in atlanti cerebrali condizionati all’età, fornendo riferimenti visivi interpretabili dal punto di vista clinico. Esperimenti su più ampi dataset neuroimmaginistici mostrano che l’approccio garantisce una predizione dell’età cerebrale paragonabile ai modelli convoluzionali più avanzati in ambito interno, migliorando la robustezza in presenza di variazioni distribuzionali su dataset esterni. Inoltre, le deviazioni dai prototipi in base all’età forniscono informazioni clinicamente rilevanti superiori al semplice gap di età cerebrale, facilitando la discriminazione tra soggetti sani e pazienti con Alzheimer. L’analisi strutturale evidenzia traiettorie di invecchiamento più lisce e biologicamente coerenti rispetto a prototipi basati su selezione reale di immagini. Nel complesso, il metodo permette una stima accurata e interpretabile dell’età cerebrale, supportando riferimenti normativi utili per comprendere deviazioni dall’invecchiamento cerebrale sano.