Analisi di patologie cerebrali mediante reti neurali

In ambito neuroscientifico patologie come autismo, disturbo ossessivo compulsivo e schizofrenia sono ufficialmente considerate come patologie distinte. Tuttavia, a un'attenta analisi, si può notare come molte sintomatologie siano comuni a più patologie. Inoltre le patologie mostrano tra loro un alto livello di comorbilità (ovvero coesistono nello stesso paziente), e in alcuni studi di neuroimaging sono state rilevate anomalie comparabili tra le diverse patologie nella materia grigia e bianca. Alla luce di questo, e considerando anche che al giorno d'oggi le diagnosi di tali patologie sono formulate esclusivamente sulla base dell'anamnesi, ovvero su base fenomenica e non rigorosa, vari gruppi di neuroscienziati hanno avanzato l'idea che le varie patologie riflettano diversi livelli di maturazione di uno stesso tipo di danno cerebrale. In questo lavoro di tesi l'obiettivo è verificare se, a partire da dati di neuroimaging, sia possibile discriminare correttamente le varie patologie. I dati su cui si basa il lavoro sono dati provenienti da metanalisi, a partire da una tecnica di neuroimaging nota col nome di Voxel Based Morphometry (VBM). L'obiettivo viene perseguito tramite tecniche di machine learning, nello specifico con tecniche di deep learning. E' da rimarcare come, dal punto di vista neuroscientifico, l'obiettivo del lavoro non sia quello di creare un algoritmo capace di fare diagnosi automatica, bensì quello di comprendere se ci siano i margini per discriminare le patologie a partire da dati di danno con risultati sensibilmente migliori di un randomizzatore, e in caso di risposta affermativa cercare di comprendere quali siano le features che la rete neurale utilizza per classificare correttamente i dati. A causa dell'interesse rivolto principalmente all'interpretazione delle features, il tipo di rete neurale su cui questo lavoro è stato principalmente incentrato è quello dello stack denoising autoencoder. Lo stack denoising autoencoder consiste in una serie di autoencoder montati a cascati, addestrati separatamente, in cui ogni autoencoder ha come input le features apprese nello strato centrale dell'autoencoder precedente; questo permette di trarre vantaggio dalle capacità espressive di una rete con molti strati non lineari, godendo allo stesso dei vantaggi derivanti dall'addestramento di ogni strato separatamente. Ulteriori simulazioni sono state fatte con Convolutional Neural Networks, al fine di esplorare una varietà più ampia di reti neurali. Gli algoritmi utilizzati sono stati preliminarmente testati su dataset di prova ottenendo risultati confortanti riguardo alla loro efficacia. Sui dati di danno cerebrale non sono stati ottenuti invece risultati rimarchevoli. Questo lascia aperto il dubbio, se il problema sia intrinsecamente indiscriminabile, o se la mancanza di risultati sia da ascrivere all'eccessiva complessità del dataset o all'inadeguatezza delle reti neurali come strumento di indagine.