Un quadro per la diagnosi precoce dei giovani studenti cinesi a rischio di difficoltà di lettura usando fNIRS e deep learning

Perché è importante individuare presto le difficoltà di lettura

Imparare a leggere è una delle abilità più importanti che i bambini acquisiscono nella scuola primaria, eppure molti fanno fatica in modi che sono difficili da cogliere con i soli test in classe. Quando i problemi di lettura diventano evidenti, la finestra migliore per intervenire potrebbe essere già passata. Questo studio presenta un nuovo modo per rilevare quali giovani studenti cinesi sono a rischio di difficoltà di lettura osservando discretamente come funziona il loro cervello durante compiti semplici e usando modelli informatici avanzati per interpretare quei pattern.

Uno sguardo più attento alle sfide di lettura nascoste

La difficoltà di lettura, spesso definita dislessia evolutiva, colpisce una quota significativa di bambini in tutto il mondo. Questi bambini hanno difficoltà persistenti a riconoscere le parole, leggere fluentemente e comprendere ciò che leggono, anche quando hanno intelligenza e scolarizzazione nella norma. Nel cinese, una lingua con un sistema di scrittura ideografico, la percentuale di bambini con una dislessia netta è stimata intorno al 4–7%, ma gli insegnanti segnalano molti più bambini che si collocano appena al di sotto delle aspettative di classe. Potrebbero non soddisfare la definizione medica rigorosa di dislessia, eppure rimangono indietro nel riconoscere e scrivere i caratteri richiesti dal curriculum nazionale. Identificare presto questo più ampio gruppo “a rischio” è cruciale affinché il supporto possa iniziare prima che si radichino frustrazione e insuccesso.

Ascoltare il cervello senza interventi chirurgici

I ricercatori hanno fatto ricorso alla spettroscopia funzionale nel vicino infrarosso (fNIRS), un metodo non invasivo che usa la luce per monitorare le variazioni di ossigenazione del sangue nel cervello. I bambini indossano un berretto confortevole punteggiato di sorgenti luminose e rivelatori, e il dispositivo misura quanto sono attive diverse aree della corteccia mentre lavorano. In questo studio, 30 alunni di seconda elementare (16 segnalati dagli insegnanti come con problemi di lettura marginali e 14 con lettura tipica) hanno completato due tipi di compiti indossando il berretto. Uno era un test visivo in cui dovevano riconoscere e scegliere caratteri cinesi e parole inglesi simili tra loro. L’altro era un test uditivo che chiedeva loro di decidere se coppie di suoni parlati fossero uguali o diversi. Allo stesso tempo, tutti i 150 bambini della classe hanno svolto un test cartaceo di scrittura del pinyin (notazione fonetica) per i caratteri cinesi, confermando che il gruppo a rischio effettivamente otteneva risultati peggiori nelle basi linguistiche.

Addestrare un modello intelligente a leggere i pattern cerebrali

I dati fNIRS grezzi sono disordinati: sono serie temporali lunghe che mostrano piccole variazioni dell’ossigenazione del sangue in molte posizioni sulla testa. Gli strumenti statistici tradizionali faticano con segnali così complessi. Il team ha costruito un nuovo modello di deep learning, chiamato RD-risk Classifier (RDr-C), progettato specificamente per gestire questo tipo di dati. Prima, un modulo basato su grafi analizza come i segnali provenienti dai sensori vicini si relazionano nello spazio, imitando la struttura di rete del cervello. Poi, un modulo bidirezionale per serie temporali traccia come l’attività si evolve su centinaia di punti nel tempo, sia in avanti sia all’indietro. Infine, un modulo di attenzione apprende quali momenti del segnale contengono gli indizi più utili. Insieme, questi componenti formano una pipeline che può scoprire automaticamente pattern che distinguono i bambini a rischio dai coetanei, senza regole manuali predefinite.

Segnali di allerta precoci sorprendentemente accurati

Quando il modello è stato addestrato e testato ripetutamente su diverse suddivisioni dei dati, ha separato correttamente i bambini a rischio da quelli tipici quasi ogni volta, con accuratezze intorno al 99–100% sia per i compiti visivi sia per quelli uditivi. Anche in un test più severo — addestrando su tutti tranne un bambino e poi predicendo il bambino lasciato fuori — il modello ha raggiunto ancora quasi il 90% di accuratezza. Modelli concorrenti, inclusi reti neurali standard e due classificatori fNIRS specializzati, hanno fatto decisamente peggio. Le visualizzazioni delle caratteristiche apprese dal modello mostravano due cluster compatti e ben separati per i due gruppi, suggerendo che i segnali cerebrali dei bambini a rischio portano davvero una firma distintiva, anche se il loro comportamento nei compiti non differiva dramaticamente da quello dei compagni.

Cosa rivela il cervello sui rischi di lettura sottili

Per esplorare ciò che il modello aveva appreso, i ricercatori hanno mescolato sistematicamente i dati provenienti da diverse regioni cerebrali e osservato quanto peggioravano le predizioni. Questo ha evidenziato una specifica area associata ai movimenti fini delle dita come particolarmente importante. Un’analisi dettagliata tempo–frequenza ha mostrato che, durante i compiti visivamente impegnativi, i bambini tipici esibivano schemi ordinati e ritmici in quest’area, coerenti con un controllo sensomotorio fluido quando indicano o premono tasti. Al contrario, i bambini a rischio mostravano un’attività più irregolare, suggerendo un problema di coordinazione dipendente dal contesto piuttosto che un deficit motorio generale. È significativo che questa differenza fosse molto più debole nel compito uditivo, rafforzando l’idea che certe difficoltà di coordinazione cerebrale emergono soprattutto sotto richieste visive simili alla lettura.

Verso aiuti in classe informati dal cervello

In termini semplici, questo lavoro suggerisce che alcuni bambini piccoli che appaiono solo leggermente in ritardo nella lettura possono già mostrare differenze chiare e misurabili nel modo in cui il loro cervello coordina visione, movimento e attenzione durante compiti legati alla lettura. Combinando l’imaging cerebrale sicuro con un modello di deep learning su misura, i ricercatori hanno creato uno strumento di allerta precoce altamente accurato che in futuro potrebbe aiutare insegnanti e clinici a individuare studenti a rischio anni prima rispetto ai metodi attuali. Pur trattandosi di uno studio ancora piccolo e con la necessità di testare il sistema su gruppi più numerosi e diversi — e possibilmente di combinarlo con altre misure come la scrittura a mano o il tracciamento oculare — indica una prospettiva in cui rischi di apprendimento sottili vengono individuati non solo osservando i punteggi dei test, ma ascoltando discretamente il cervello al lavoro.

Citazione: Yang, P., Duan, Y., Wang, L. et al. An early detection framework for young Chinese learners at risk of reading difficulty using fNIRS and deep learning. Sci Rep 16, 14104 (2026). https://doi.org/10.1038/s41598-026-44379-7

Parole chiave: difficoltà di lettura, dislessia, imaging cerebrale, deep learning, alfabetizzazione infantile