Framework di deep learning multi-stream che integra immagini e rappresentazioni di caratteristiche per prevedere il deterioramento cognitivo lieve usando il Rey Complex Figure Test

Perché il disegno può rivelare problemi di memoria nascosti

Con l’aumento dell’aspettativa di vita, molti si preoccupano per lievi vuoti di memoria e per il fatto che possano indicare le fasi iniziali della demenza. I medici da tempo usano semplici test di disegno su carta per valutare funzione cognitiva e memoria, perché sono rapidi, a basso costo e facili da somministrare in qualsiasi ambulatorio. Questo studio mostra come l’intelligenza artificiale moderna possa estrarre molte più informazioni da un test di disegno classico, trasformandolo in uno strumento di allerta precoce potente per il deterioramento cognitivo lieve, una condizione che spesso precede la demenza.

Un’immagine classica con occhi digitali nuovi

Un compito di disegno ampiamente usato è il Rey Complex Figure Test. A una persona viene prima chiesto di copiare un disegno lineare dettagliato e astratto e successivamente di riprodurlo a memoria. Tradizionalmente, gli esperti valutano ogni disegno su una scala da 36 punti, giudicando l’accuratezza nella collocazione e nella forma delle diverse parti. Questi punteggi offrono un utile istantanea delle abilità visuo-spaziali e della memoria visiva, ma inevitabilmente trascurano molte caratteristiche sottili del disegno. Gli autori di questo lavoro hanno costruito un sistema automatizzato in grado di analizzare l’intera immagine, combinarla con il punteggio convenzionale e con informazioni di base come età, sesso e anni di istruzione, e decidere se una persona probabilmente presenta un deterioramento cognitivo lieve.

Due percorsi per leggere un disegno

I ricercatori hanno progettato un modello di deep learning “a due flussi” che elabora i disegni di ciascuna persona in due modalità differenti contemporaneamente. Nel primo percorso, chiamato spatial stream, le immagini acquisite delle tre copie (la copia, il richiamo immediato e il richiamo ritardato) vengono alimentate in una rete di riconoscimento delle immagini. Questa rete, basata su un’architettura nota come EfficientNet, apprende automaticamente caratteristiche visive come forme, spessore delle linee e stile del tratto. Un modulo di attenzione speciale aiuta poi il sistema a concentrarsi maggiormente sulle regioni del disegno più informative. Nel secondo percorso, chiamato scoring stream, il modello riceve i consueti punteggi del test di Rey — generati automaticamente da una rete di scoring precedentemente addestrata — insieme a età, sesso e istruzione della persona. Questi numeri strutturati vengono combinati tramite una rete di predizione più semplice. Infine, le uscite dei due flussi vengono mediate per produrre una singola probabilità che la persona abbia un deterioramento cognitivo lieve piuttosto che una cognizione normale.

Apprendere da molti anziani

Per addestrare e testare il sistema, il team ha utilizzato i disegni di 1.740 anziani provenienti da una grande coorte di ricerca coreana, circa la metà con cognizione normale e l’altra metà con deterioramento cognitivo lieve. Hanno ripetutamente suddiviso questo insieme di dati in set di addestramento, validazione e test per affinare il modello e prevenire l’overfitting. Fondamentale è stata anche la valutazione delle prestazioni su un gruppo indipendente di 222 pazienti provenienti da un ospedale diverso. Prima di costruire i modelli predittivi su questo set esterno, hanno impiegato il loro strumento di scoring automatizzato per verificare grandi discrepanze tra punteggi della macchina e punteggi umani; nei casi con forti disaccordi, gli esperti hanno riesaminato e corretto le valutazioni. Questo passaggio di controllo qualità ha migliorato l’accordo tra punteggi umani e IA, rafforzando il collegamento tra valutazioni manuali e automatizzate.

Quanto bene il sistema individua l’alterazione precoce

I ricercatori hanno confrontato il loro modello a due flussi con diverse alternative: semplici modelli statistici basati su un comune test breve di cognizione generale, modelli che usavano solo i punteggi umani del Rey, modelli che usavano soltanto i punteggi generati dall’IA e un modello di deep learning che analizzava solo le immagini senza il flusso di scoring. In molte ripetizioni all’interno della coorte principale e nel gruppo ospedaliero esterno, il sistema combinato a due flussi è risultato costantemente il migliore. Nel test esterno ha raggiunto un’area sotto la curva ROC di 0,872 e una precisione complessiva di circa il 78 percento, superando sia i modelli tradizionali basati sui punteggi sia la rete profonda basata solo sulle immagini. Questi miglioramenti suggeriscono che la combinazione di dettagli visivi ricchi e informazioni strutturate da punteggio fornisce un quadro più stabile e affidabile dei cambiamenti cognitivi precoci.

Cosa potrebbe significare per gli ambulatori di tutti i giorni

Dal punto di vista del paziente, nulla del test deve cambiare: si continua a usare matita e carta per copiare una figura complessa. Dietro le quinte, tuttavia, uno scanner e il sistema di IA possono ora valutare i disegni in pochi secondi, generare punteggi standardizzati e stimare il rischio di deterioramento cognitivo lieve con maggiore accuratezza rispetto a molti strumenti di screening rapidi esistenti. Poiché richiede un unico test familiare più informazioni di base di routine, il metodo potrebbe essere inserito nei centri di controllo affollati senza grandi interruzioni. Sebbene lo studio si sia concentrato su partecipanti coreani e abbia usato solo immagini statiche, l’approccio indica un futuro in cui semplici disegni, interpretati da software intelligenti, aiutino a segnalare problemi cognitivi sottili abbastanza presto da permettere interventi significativi.

Citazione: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Parole chiave: deterioramento cognitivo lieve, Rey Complex Figure Test, screening con deep learning, valutazione cognitiva, prevenzione della demenza