Un algoritmo di machine learning analizza la scrittura dei pazienti
di Annachiara Albanese
La scrittura a mano è un compito cognitivo e motorio acquisito di particolare complessità, che offre un’interessante finestra di osservazione sulle funzioni del cervello. Per questo motivo, il monitoraggio della scrittura fornisce informazioni biologiche utili, soprattutto nei pazienti neurologici: i disturbi della scrittura sono infatti frequentemente osservati in pazienti affetti da malattie neurodegenerative, tra cui la malattia di Parkinson (micrografia) e la malattia di Alzheimer (agrafia).
Un team di ricerca interdisciplinare, coordinato da Antonio Suppa del Dipartimento di Neuroscienze Umane della Sapienza, ha proposto l’analisi della scrittura attraverso l’intelligenza artificiale come un innovativo sistema per il monitoraggio da remoto, in telemedicina, di pazienti neurologici. Il sistema, basato sull’accuratezza di algoritmi di machine learning nel rilevare alcuni “pattern” di scrittura attribuibili all’invecchiamento fisiologico di soggetti sani, è un’alternativa alla consueta valutazione clinica ambulatoriale.
Lo studio, realizzato con la collaborazione dei dipartimenti di Ingegneria dell’informazione, elettronica e telecomunicazioni della Sapienza, dell’IRCCS Neuromed e del Dipartimento di Neurologia dell’Università di Cincinnati in Ohio, è stato pubblicato sulla rivista Frontiers in Aging Neuroscience.
I ricercatori hanno reclutato 156 soggetti sani e destrimani e li hanno suddivisi in tre classi di età: 51 giovani tra i 18 e i 32 anni, 40 adulti di età compresa tra 37 e 57 anni e, infine, 63 soggetti in età adulta avanzata, ovvero tra i 62 e i 90 anni. A ognuno di essi è stato chiesto di scrivere con una penna a sfera nera il proprio nome e cognome per 10 volte su un foglio di carta bianca e, successivamente, di fotografare il proprio campione di scrittura con uno smartphone e inviarlo ai ricercatori.
“Il principale traguardo scientifico del nostro studio – spiega Antonio Suppa – consiste nella accuratezza dell’analisi automatica della scrittura con algoritmi di intelligenza artificiale, in grado di obiettivare la progressiva riduzione di ampiezza dei caratteri dovuta all’invecchiamento fisiologico e, quindi, di attribuire ogni campione di scrittura a una specifica fascia d’età dell’autore”.
“Sebbene ricerche precedenti avessero già dimostrato cambiamenti nella destrezza della scrittura legati all’aumento dell’età, per analizzare una grande quantità di dati nell’ambito della telemedicina si rendevano necessari approcci basati su tecniche di analisi più complesse come il machine learning”.
“L’analisi della scrittura con algoritmi di intelligenza artificiale – aggiunge Simone Scardapane, co-autore dello studio– è stata svolta grazie all’utilizzo di una rete neurale convoluzionale – ovvero una rete artificiale specializzata per l’elaborazione di immagini e segnali digitali – in grado di convertire automaticamente i caratteri in parametri di interesse. Si tratta di un metodo semplice, ecologico, a basso costo e di facile utilizzo in diversi ambiti. Infatti, oltre alle notevoli implicazioni nel campo neurologico, può contribuire, ad esempio, alla datazione storica di un determinato documento, grazie alla valutazione automatica dell’età della persona che lo ha scritto. In particolare, in ambito medico-legale potrebbe facilitare la datazione di un testamento al momento della stesura o della firma.
“Il nostro auspicio – conclude Francesco Asci, co- autore dello studio – è che l’analisi della scrittura da remoto e mediante algoritmi di intelligenza artificiale possa costituire in futuro un innovativo biomarker di invecchiamento, con un impatto rilevante nel campo della diagnostica di malattie neurodegenerative e in accordo con i metodi della telemedicina”.
Riferimenti:
Handwriting Declines With Human Aging: A Machine Learning Study – Francesco Asci, Simone Scardapane, Alessandro Zampogna, Valentina D’Onofrio, Lucia Testa, Martina Patera, Marco Falletti, Luca Marsili, Antonio Suppa – Frontiers in Aging Neuroscience (2022) https://doi.org/10.3389/fnagi.2022.889930
