Capitolo 4
l’IA a supporto del trattamento di malattie e condizioni cliniche
La capacità dei sistemi di IA di assimilare e analizzare grandi volumi di dati e produrre un’analisi in tempi brevissimi li rende un potente strumento a supporto del trattamento di malattie e condizioni cliniche. Ad esempio, l’incorporazione dell’IA in dispositivi medici che integrano più sensori potrebbe accelerare la diagnosi precoce di un problema clinico o fornire informazioni che migliorano la qualità del trattamento. Utilizzando l’IA, i vasti e complessi dati fisiologici generati dal corpo umano potrebbero essere interpretati in modo più rapido e accurato per formulare un intervento medico.
Un’interfaccia cervello-macchina basata sull’IA consente a un uomo con un braccio paralizzato di versare il contenuto di una tazza in un bicchiere. (Crediti dell’immagine: Battelle)
Sfida
Per i pazienti affetti da sclerosi laterale amiotrofica (SLA) in fase avanzata, la comunicazione diventa sempre più difficile con il progredire della malattia. In molti casi la SLA (nota anche come morbo di Lou Gehrig) porta alla sindrome locked-in, in cui il paziente è completamente paralizzato ma rimane cognitivamente intatto. I dispositivi di tracciamento oculare e, più recentemente, le interfacce cervello-computer (BCI) basate sull’elettroencefalogramma (EEG) consentono ai pazienti affetti da SLA di comunicare scandendo le frasi lettera per lettera, ma un semplice messaggio può richiedere anche diversi minuti.
Soluzione
I ricercatori della University of Texas di Austin hanno sviluppato una tecnologia non invasiva che utilizza wavelet, Machine Learning e reti neurali di Deep Learning per decodificare i segnali della magnetoencefalografia (MEG) e rilevare intere frasi mentre il paziente immagina di parlare con loro. Le prestazioni dell’algoritmo sono quasi in tempo reale: quando il paziente immagina una frase, questa appare immediatamente.
- Con Wavelet Toolbox™, i ricercatori hanno sottoposto a denoising e decomposto i segnali MEG in specifiche bande di oscillazione neurale (onde cerebrali gamma elevato, gamma, alfa, beta, theta e delta) utilizzando tecniche di analisi wavelet multirisoluzione.
- Inizialmente i ricercatori hanno estratto le feature dai segnali e hanno utilizzato Statistics and Machine Learning Toolbox per calcolare una serie di feature statistiche. Hanno poi utilizzato le feature estratte per addestrare un classificatore macchina a vettori di supporto (SVM) e un classificatore rete neurale artificiale (RNA) superficiale, classificando i segnali neurali corrispondenti a cinque frasi e ottenendo così uno standard di precisione. Questo metodo ha prodotto una precisione dell’80% circa ed è stato impiegato come standard di precisione.
- In seguito, per rappresentare le feature più ricche, il team ha utilizzato scalogrammi wavelet dei segnali MEG come input per addestrare tre reti neurali convoluzionali profonde pre-addestrate personalizzate, AlexNet, ResNet e Inception-ResNet, per la decodifica vocale dei segnali MEG. Con la combinazione di wavelet e tecniche di Deep Learning, la precisione complessiva è aumentata fino al 96%.
- Per accelerare l’addestramento, questa fase è stata eseguita su un server di calcolo parallelo a sette GPU utilizzando Parallel Computing Toolbox.
Risultati
Utilizzando MATLAB, il team è stato in grado di iterare rapidamente i diversi metodi di estrazione delle feature e di addestrare diversi modelli di Machine Learning e Deep Learning per ottenere una precisione complessiva di decodifica vocale dei segnali MEG del 96%. MATLAB ha permesso al team di combinare tecniche wavelet con il Deep Learning in pochi minuti, un tempo notevolmente inferiore rispetto ad altri linguaggi di programmazione. Inoltre, il team è stato in grado di passare all’uso di più GPU per l’addestramento con la modifica di una sola riga di codice. L’utilizzo di Parallel Computing Toolbox e di un server con sette GPU ha permesso di addestrare le reti circa 10 volte più velocemente.
Conversione dei dati MEG cerebrali in parole. (Crediti dell’immagine: UT Austin)
Sfida
La paralisi consiste nella perdita della capacità di muovere una parte o tutto il corpo, in genere a causa di un danno al cervello o al midollo spinale.
Soluzione
I ricercatori della Battelle Neurolife e della Ohio State University hanno sviluppato un’interfaccia cervello-computer (BCI) per registrare e analizzare i segnali provenienti dal cervello e inviarli sotto forma di comandi a un dispositivo affinché esegua un’azione. In questo caso il team ha progettato un sistema per aiutare un paziente a riprendere il controllo cosciente delle dita, della mano e del polso.
- Il team ha utilizzato MATLAB per analizzare i segnali elettroencefalografici (EEG) del cervello e ha addestrato algoritmi di Machine Learning per rilevare e decodificare i segnali tattili sub-percettivi del cervello.
- Quando il paziente che utilizza la BCI tocca un oggetto, tali algoritmi separano i segnali motori da quelli sensoriali, trasmettendo un feedback tattile a una banda vibrotattile e segnali motori a un manicotto di elettrodi.
Fasi del sistema BCI. (Crediti dell’immagine: Battelle)
Risultato
Il paziente può ora raccogliere oggetti senza guardarli. Il sistema è troppo grande per l’utilizzo domestico, ma potrebbe evolversi in una soluzione che migliora la vita quotidiana delle persone affette da paralisi.
Sfida
La neuropatia diabetica è un tipo di danno ai nervi che si verifica soprattutto nelle gambe e nei piedi. È causata da livelli elevati di glucosio nel sangue.
Soluzione
Con MATLAB, il fondatore di Xfinito Biodesigns, Siddarth Nair, ha creato un software che consente di controllare una scarpa indossabile chiamata Xeuron.ai per il trattamento della neuropatia diabetica. Xeuron.ai registra le informazioni provenienti dalla scarpa indossabile, come la pressione, la temperatura, la risposta agli stimoli e il movimento. Gli algoritmi di Deep Learning elaborano i dati. L’elaborazione avviene attraverso il calcolo ibrido, che secondo Nair riduce sia i costi che i tempi di calcolo. In risposta a questi dati, il sistema eroga una terapia personalizzata attraverso stimoli elettrici o magnetici, vibrazioni, impulsi termici o luminosi.
Sistema di calzature Xeuron. (Crediti dell’immagine: Xfinito Biodesigns)
