VALUTAZIONE QUANTITATIVA DEI METODI DI INTELLIGENZA ARTIFICIALE SPIEGABILE PER IL NEUROIMAGING: METRICHE, MODELLI E AFFIDABILITÀ

La predizione dell’età cerebrale a partire da dati di neuroimaging rappresenta un promettente approccio per indagare i processi di invecchiamento cerebrale e rilevare precocemente deviazioni patologiche. Per poter lavorare su quantità di dati tali da poter coprire il maggior numero pos sibile di fasce di età e di popolazioni, inludendo soggetti di entrambi i sessi, si è reso necessario l’utilizzo di mezzi di apprendimento supervisionato. Queste archi tetture vengono addestrate sui dati di neuroimaging di soggetti sani per rilevare ed apprendere tutti i pattern alla base dell’invecchiamento cerebrale e poter in seguito produrre una stima dell’età cerebrale. Da questa stima si riscontra l’entità della deviazione dell’invecchiamento cerebrale rispetto all’andamento di un soggetto sa no, che potrebbe essere potenzialmente usata come biomarcatore per la previsione o diagnosi di disturbi neurologici. Affinchè questa pratica possa essere integrata in un apparato clinico, però, occorre trasparenza nei processi interni che producono la predizione. Per le architettu re predittive più complesse, che riportano risultati più accurati a scapito della comprensibilità dell’architettura stessa, è dunque necessario l’utilizzo di modelli di eXplainable Artificial Intelligence (XAI). Questi modelli svelano quale variabile in f luisce sull’output dell’architettura di predizione e in che misura, così da restituirle quella trasparenza persa in favore della performance. Se da un lato questi modelli sono diventati abbastanza diffusi allo stato dall’arte, dall’altra parte necessitano di formale verifica di proprietà legate al corretto fun zionamento del sistema, della sua credibilità e usabilità. Per questo motivo, nel seguente lavoro di tesi saranno definite delle metriche volte a valutare le spiegazio ni fornite da un modello in particolare: SHAP. Queste metriche quantificheranno la fedeltà del modello al reale funzionamento del sistema di predizione, la conti nuità delle spiegazioni fornite, il grado di certezza associato a ciascuna spiegazio ne e, infine, la rappresentatività delle spiegazioni locali rispetto alla globalità del dataset.