Metodi di Deep Learning per la predizione della Sclerosi Laterale Amiotrofica

La Sclerosi Laterale Amiotrofica, SLA, è una malattia neurodegenerativa che colpisce i neuroni motori. Si tratta di una patologia letale di cui non è ancora stata scoperta l'eziologia e per la quale non esistono trattamenti specifici che conducano alla guarigione. Nel 2015 l'associazione Phil Brown Dream4Life ha indetto una competizione per incentivare lo studio della malattia attraverso algoritmi di machine learning. Avendo a disposizione il più grande insieme di dati esistente sui pazienti di SLA, il PRO-ACT database, i team che hanno preso parte alla competizione hanno sviluppato diversi algoritmi per l'analisi e la predizione della progressione della malattia, cercando di mettere in evidenza quali fossero le features più importanti e informative per la comprensione clinica della SLA. Ciò si rivela fondamentale per consentire ai medici una diagnosi più tempestiva e precisa. In questo lavoro di tesi si è voluto effettuare un confronto tra le tecniche di machine learning, adottate dai team che hanno preso parte alla competizione, e algoritmi di deep learning, allo scopo di valutare l'eventualità che reti neurali profonde possano performare meglio di algoritmi classici. Verranno proposte tre diverse architetture di reti neurali per l'analisi del problema di regressione del total ALSFRS score, l'indicatore più diffuso in letteratura per valutare la progressione della SLA. La parte finale del lavoro di tesi è uno studio di survival analysis sui pazienti di SLA. Anche in questo caso si effettuerà il confronto tra metodi statistici semiparametrici, Cox-PH, metodi di machine learning, Random Survival Forest, e metodi di deep learning, Deep Survival Machines, per valutare quale di questi tre algoritmi si adatti meglio allo studio del decorso della SLA