Please enable JavaScript.
Coggle requires JavaScript to display documents.
POSSIBILI OSTACOLI ALL'APPLICAZIONE CLINICA DEL NEUROIMAGING NEI…
POSSIBILI OSTACOLI ALL'APPLICAZIONE CLINICA DEL NEUROIMAGING NEI DISTURBI PSICHIATRICI;APPRENDIMENTO AUTOMATICO (MACHINE LEARNING)
Un biomarcatore è una caratteristica che può essere misurata in modo oggettivo e che serve come indicatore di
processi biologici normali, di processi patologici oppure della risposta a un trattamento farmacologico
Per poter usare le NI nella pratica clinica psichiatrica, è necessario che siano in grado di fornire biomarcatori di
rischio, diagnostici o prognostici affidabili per uno specifico disturbo psichiatrico. Il problema della specificità dei parametri
-
Un altro aspetto importante è che nella pratica clinica c’è spesso una sovrapposizione tra disturbi psichiatrici:
questo accade sia nell’età evolutiva, in cui ad esempio molti disturbi del neurosviluppo compaiono insieme,
sia nelle fasi successive della vita, in cui circa la metà delle persone soddisfa i criteri per due o più patologie psichiatriche
Per questo motivo, cercare biomarcatori specifici per la diagnosi e la prognosi di singole patologie rischia di
non essere applicabile alla grande quantità di pazienti che non presentano un disturbo “puro”,
ma una psicopatologia complessa, in cui si intrecciano varie categorie diagnostiche
Per studiare i disturbi psichiatrici con le neuroimmagini, oggi si usano anche tecniche di intelligenza artificiale, in particolare
l’apprendimento automatico, chiamato in inglese machine learning (ML). Questo metodo serve per analizzare grandi
quantità di dati e trovare schemi nascosti che aiutano a fare diagnosi o previsioni su un singolo paziente
-
Un’altra tecnica molto avanzata è il Deep Learning (DL), che utilizza modelli chiamati reti neurali artificiali,
ispirati al cervello umano. Il DL è utile perché analizza l’intera immagine del cervello, e riesce a notare anche
piccole anomalie che spesso sfuggono ad altri metodi. Questo è particolarmente importante nei disturbi psichiatrici
dove le differenze nel cervello sono spesso sottili e diffuse. Tuttavia, per usare bene questi strumenti servono molti
dati di qualità, raccolti da tanti pazienti diversi. Per questo, è importante che ci sia collaborazione tra
vari ospedali e centri di ricerca, così da costruire grandi database comuni
In conclusione, le tecniche di machine learning e deep learning stanno diventando sempre più
importanti nella ricerca psichiatrica, perché potrebbero aiutare in futuro a fare
-