un caso neuroscientifico
3. Presentazione di un caso neuroscientifico
Il lavoro di seguito presentato sarà volto a mostrare come un esperimento, apparentemente lontano dalle metodolo- gie sopra presentate, possa essere in realtà ad esse ricon- ducibile. Iniziamo ad identificare i contorni sperimentali e O¶RELHWWLYR GHOOR VWXGLR $OO¶LQWHUQR GHO SURJHWWR 35,1 HAND 20155, che ha coinvolto il DIEI6 GHOO¶8QLYHUVLWjGL
Cassino, è stato proposto di utilizzare la scrittura come strumento di supporto alla diagnosi precoce di malattie neurodegenerative. Dalla letteratura recente (per una di- samina completa si consulti De Stefano et al. 2018), infat- ti, inizia ad emergere una relazione tra la variazione nel tratto grafico e il deterioramento cognitivo, evidenziando come la compromissione della scrittura possa rappresenta- re un indice di neurodegenerazione. La scrittura è tra le abilità che emergono da una stretta relazione tra abilità ci- nestetiche e percettivo±motorie. In letteratura è evidente che queste abilità sono compromesse significativamente QHOO¶$O]KHLPHU'LVHDVH $' QHOODTXDOHVLUHgistrano, in
5 Handwriting Analysis against Neuromuscular Disease ± HAND che ha vi-
VWRFRLQYROWLO¶8QLYHUVLWjGHJOLVWXGLGL%DULO¶8QLYHUVLWjGL&DVVLQRHGHO/D ]LR0HULGLRQDOHHO¶8QLYHUVLWjGHJOLVWXGLGL6DOHUQR
SDUWLFRODUPRGRDOWHUD]LRQLQHOO¶RUJDQL]]D]LRQHVSD]LDOHH nel controllo fine del movimento (Neils±Strunjias et al. /RVWXGLRSUHVHQWDWRKDSURSRVWRO¶LPSLHJRGLWHF niche di Machine Learning su task di scrittura, al fine di aiutare i mHGLFL QHOOD GLDJQRVL SUHFRFH GHOO¶$' /D IDVH sperimentale si è articolata nei seguenti punti:
1) realizzazione di un protocollo sperimentale. Il pro- WRFROORVSHULPHQWDOHqO¶LQVLHPHGHLWDVNXWLOL]]DELOL per testare la compromissione del tratto grafico. Il trial realizzato si compone di 25 task, alcuni dei quali grafici, altri di copia o copia inversa, altri di scrittura libera (per ulteriori dettagli sul protocollo si consulti Cilia et al. 2018);
2) acquisizione dei dati per pazienti e gruppo di con- trollo (per ulteriori dettagli sul reclutamento dei soggetti e sulle problematiche inerenti tale acquisi- zione si consulti ivi). Per tale scopo è stata utilizzata una tavoletta grafica (Bamboo Folio della Wacom) che permette di registrare le coordinate del soggetto durante il tratto grafico in 3D: x, y per la descrizio- ne del tratto grafico e z per rappresentare la pres- sione esercitata dal soggetto per una determinata FRRUGLQDWDVSD]LDOH4XHUVW¶XOWLPDqQXOODse il sog- getto solleva la penna dal foglio ed aumenta DOO¶DXPHQtare della pressione esercitata;
3) elaborazione dei dati con estrazione di feature. Af- finché sia possibile una comparazione tra prestazio- ni, è stato necessario stabilire dei criteri per valutare le stesse. A questo proposito quindi, a partire dalle coordinate, si sono calcolate 24 feature rappresen- tanti il tratto grafico di ogni task per tutti i soggetti in termini di numero di stroke, pressione, accelera-
zione, velocità, slant, jerk, dimensione verticale e orizzontale del tratto, durata, ecc. (per ulteriori det- tagli si consulti De Stefano et al. 2018);
4) analisi dei dati. Machine Learning attraverso classi- ficazione e regressione. Dopo una prima analisi per mezzo di tecniche di statistica standard, sono state applicate tecniche di apprendimento automatico. Utilizzando algoritmi di classificazione come il Random Forest Classifier, il Decision Tree e il J48 si è cercato di addestrare il sistema a riconoscere quali feature fossero indici prodromici della malat- tia.
Mantenendo in questa sede un livello di descrizione TXDOLWDWLYDSRVVLDPRGLUHFKHO¶DSSOLFD]LRQHGHO0DFKLQH Learning, attraverso algoritmi di classificazione, permette di indentificare la classe di un nuovo obiettivo sulla base di conoscenza estratta da un training set (insieme di adde- stramento). Un sistema che classifica è detto classificatore. I classificatori estraggono dal training set un modello che utilizzano poi per classificare le nuove istanze. Nel nostro caso specifico, forniti dunque i dati grafici (le coordinate trasformate in feature), dopo opportuno addestramento, il classificatore è in grado di restituire un grado di accura- tezza nella classificazione del soggetto in uno dei due JUXSSL FRQWUROORRPDODWR /¶RELHWWLYRqTXHOORGLmini- PL]]DUHO¶HUURUHGHLIDOVLQHJDWLYL FDVRLQFXLYLHQHIRUQLWD una diagnosi negativa di insorgenza della patologia sebbe- ne ce ne sia la presenza) e dei falsi positivi (caso in cui la persona sana viene classificata come malata). Ovviamente esistono diversi classificatori, ognuno dei quali segue leggi diverse, producendo risultati diversi in termini di accura- tezza nella classificazione. Tutttavia tali questioni non ver-
ranno trattate nello specifico perché ritenute irrilevanti per gli scopi di questo capitolo.
Per quanto riguarda la regressione nel Machine Lear- ning invece, mantenendo anche questa volta un livello di descrizione qualitativo, possiamo dire che è un metodo di stima del valore atteso condizionato di una variabile di- pendente, dati i valori di altre variabili indipendenti. Nella regressione si cerca quindi di prevedere un andamento fu- turo, cioè una variabile dipendente continua, minimizzan- GRO¶HUURUHVRWWRXQDVSHFLILFDLSRWHVL1HOQRVWURFDVROD regressione permetterebbe di prevedere e assegnare un va- lore continuo di punteggio nel test cognitivo impiegato per la diagnosi (Mini Mental State Examination, MMSE, ad esempio), in funzione delle feature a disposizione.
Tralasciando le ricadute applicative dello studio sulla VRFLHWjDWWXDOHHO¶LPSLHgo dello stesso negli ospedali o nei centri di primo screening per una diagnosi precoce di un disturbo neurodegenerativo, e tralasciando quindi i dettagli dei risultati ottenuti nella sperimentazione, ci soffereme- remo invece sulla procedura adottata, cercando di capire VH HVHVLLQFKHPRGR SRVVDHVVHUHLQVHULWDDOO¶LQWHUQR GHOOHPHWRGRORJLHVRSUDHVDPLQDWHGHOO¶,QWHOOLJHQ]D$UWLIL ciale.