Biomarcatori di neuroimaging per la diagnosi dei disturbi cerebrali mediante tecniche di apprendimento avanzate

I disturbi mentali stanno diventando sempre più comuni, interessando un numero crescente di persone. La Risonanza Magnetica Funzionale (fMRI), in particolare quella a stato di quiete (rs-fMRI), rappresenta una tecnica efficace per l'individuazione dei disturbi mentali, analizzando le oscillazioni a bassa frequenza nel segnale BOLD per esaminare l'architettura funzionale cerebrale. Questo studio si concentra sull'applicazione di tecniche di Machine Learning e Deep Learning per l'analisi delle immagini fMRI al fine di identificare caratteristiche cerebrali associate al Disturbo Bipolare e alla Malattia di Alzheimer. Il processo proposto prevede una fase di preprocessing delle immagini fMRI e rs-fMRI tramite due differenti pipeline: una combinazione del Statistical Parametric Mapping e della toolbox CONN, e un'altra basata sul software MELODIC. L'obiettivo è valutare come le scelte di preprocessing influenzino la rappresentazione della connettività funzionale e le prestazioni di classificazione, utilizzando algoritmi di apprendimento automatico classici come Support Vector Machines e Random Forest, e il modello di Deep Learning AlexNet. I risultati sperimentali indicano che la combinazione Connbox-SPM con AlexNet offre le migliori performance diagnostiche, con un'accuratezza del settantotto virgola due percento per il Disturbo Bipolare e dell'ottantadue virgola quattro percento per la Malattia di Alzheimer. Lo studio sottolinea l'importanza dell'interazione tra il preprocessing e i modelli di apprendimento per migliorare l'identificazione accurata di tali disturbi cerebrali.