Valutare i rischi da radiazioni con modelli di deep learning

Stimare i rischi dell'esposizione alle radiazioni è super importante per proteggere la salute pubblica. Aiuta a stabilire standard di sicurezza e spinge la ricerca sulla sicurezza delle radiazioni. Gli studi sulle persone sopravvissute alle bombe atomiche di Hiroshima e Nagasaki hanno giocato un ruolo chiave nella valutazione di questi rischi. Questo gruppo comprende oltre 86.000 sopravvissuti che erano vicini ai siti delle bombe, fornendo una popolazione ampia e variegata da studiare. Questi studi sono stati fondamentali nei nostri sforzi per valutare gli effetti delle radiazioni.

Nella nostra ricerca, useremo dati disponibili al pubblico di questi studi che coprono tumori solidi e casi di leucemia negli ultimi decenni. Di solito, le valutazioni del Rischio da radiazioni si basano su un Modello specifico che aiuta a prevedere quanto sia probabile che una persona sviluppi il Cancro in base alla propria esposizione alle radiazioni e ad altri fattori. Questo modello considera i tassi di cancro attesi e si aggiusta per variabili come età, sesso e tempo dall'esposizione.

#Modelli Tradizionali e Loro Limitazioni

L'approccio tradizionale si basa su un semplice modello matematico che fa previsioni sui tassi di cancro in base alle dosi di Radiazione. Anche se questo metodo è semplice e facile da capire, ha delle limitazioni. Potrebbe non catturare completamente le relazioni complesse tra dose di radiazione e rischio di cancro.

Se il modello non è impostato correttamente, può portare a stime di rischio imprecise. Questo è un problema perché questi modelli influenzano le decisioni sulla salute pubblica e le normative di sicurezza.

#Il Ruolo del Deep Learning

Il deep learning, una forma di intelligenza artificiale, ha mostrato grandi promesse in vari settori, inclusa la sanità. Utilizza algoritmi complessi per analizzare grandi quantità di dati, offrendo maggiore flessibilità rispetto ai metodi tradizionali. Anche se il deep learning ha fatto progressi in molte aree, la sua applicazione nella valutazione del rischio da radiazioni non è stata esplorata a fondo.

Nel nostro studio, ci interessa usare un tipo specifico di modello di deep learning chiamato rete neurale profonda di Poisson (DNN) per analizzare dati su tumori solidi e leucemia. Il nostro obiettivo è valutare i rischi aggiuntivi associati a questi tumori, identificare i fattori di rischio chiave e vedere quanto bene il deep learning può stimare i rischi da radiazioni.

#Dati Utilizzati nello Studio

I dati per la nostra ricerca provengono dalla Radiation Effects Research Foundation, che ospita informazioni importanti sugli effetti delle radiazioni. Per i tumori solidi, abbiamo trovato dati su quasi 25.570 casi tra oltre 105.000 sopravvissuti, con un follow-up totale di oltre 2,7 milioni di anni-persona. Il gruppo include più donne che uomini e rappresenta diverse località in Giappone.

Per i casi di leucemia, abbiamo raccolto dati su 36.841 casi dopo aver escluso i record incompleti. Questo set di dati include oltre 113.000 soggetti e mostra una distribuzione di genere e una rappresentazione geografica simile.

#Costruire il Modello di Deep Learning

Abbiamo sviluppato un modello di deep learning per prevedere il rischio da radiazioni utilizzando un design di rete specifico sia per i tumori solidi che per la leucemia. Il nostro modello ha tre strati nascosti con numeri diversi di nodi. Questa architettura è stata scelta per la sua capacità di elaborare le informazioni in modo efficace.

Il modello considera la dose di radiazione, vari fattori di rischio e l'incidenza di cancro. Abbiamo addestrato il modello usando un ampio set di dati di addestramento, assicurandoci che non diventasse troppo complesso tenendo da parte alcuni dati per la validazione.

#Confronto dei Modelli

Per valutare le prestazioni del nostro modello di deep learning, lo abbiamo confrontato con il modello parametrico non lineare (NLP) tradizionale, ampiamente utilizzato per le valutazioni del rischio da radiazioni. Entrambi i modelli sono stati sottoposti a un rigoroso processo di test che ha coinvolto la suddivisione dei dati in diverse parti, l'addestramento dei modelli e la revisione dei loro risultati.

Abbiamo scoperto che il modello di deep learning forniva prestazioni comparabili o leggermente migliori nel prevedere i casi di cancro. In particolare, si è comportato bene per i casi di leucemia, mostrando efficacia in vari parametri statistici. Per i tumori solidi, il modello di deep learning ha avuto risultati leggermente migliori, indicando il suo potenziale per previsioni accurate.

#Comprendere i Fattori di Rischio

Utilizzando un metodo chiamato SHAP (Shapley Additive Explanations), abbiamo esaminato come diverse caratteristiche contribuiscono alle previsioni fatte da entrambi i modelli. Questo ci ha permesso di quantificare l'importanza di ciascun fattore di rischio nel determinare l'incidenza di cancro.

Per i tumori solidi, entrambi i modelli hanno identificato fattori di rischio chiave simili, come età e dose di radiazione. Tuttavia, il modello di deep learning ci ha permesso di considerare più fattori contemporaneamente, il che potrebbe portare a intuizioni più sfumate.

Per la leucemia, i fattori di rischio principali identificati da entrambi i modelli hanno mostrato nuovamente notevoli somiglianze. Entrambi gli approcci hanno riconosciuto l'importanza della dose di radiazione e dell'età, anche se c'erano lievi differenze nel modo in cui questi fattori sono stati classificati.

#Esaminare i Rischi Relativi Aggiuntivi (ERR)

Abbiamo anche esaminato i rischi relativi aggiuntivi (ERR) associati ai tumori solidi e alla leucemia usando entrambi i modelli. Gli ERR forniscono informazioni su quanto sia più probabile che qualcuno sviluppi il cancro a causa dell'esposizione alle radiazioni.

Nei nostri risultati, il modello di deep learning ha posto maggiore enfasi sulla dose di radiazione come principale fattore di rischio per gli ERR, mentre il modello NLP ha mostrato un diverso ordinamento dei fattori. Questa discrepanza ha messo in evidenza un potenziale svantaggio dei modelli tradizionali, che potrebbero sottovalutare l'impatto dell'esposizione alle radiazioni.

Il modello di deep learning ha dimostrato che i fattori legati all'età avevano meno influenza sugli ERR rispetto al modello NLP, il che potrebbe avere importanti implicazioni su come interpretiamo i rischi dell'esposizione alle radiazioni.

#Analizzare le Relazioni Dose-Risposta

Abbiamo anche indagato la relazione tra dose di radiazione e rischio di cancro attraverso diverse fasce d'età. La nostra analisi ha rivelato che il modello di deep learning forniva un quadro più chiaro di come i rischi variassero con i livelli di esposizione rispetto al modello tradizionale.

Il modello di deep learning mostrava una relazione più coerente tra dose di radiazione e rischio di cancro. Al contrario, il modello NLP tendeva a sottovalutare i rischi per coloro che erano più anziani, mentre li sovrastimava per i più giovani. Questa incoerenza potrebbe essere collegata al modo in cui è strutturato il modello NLP.

#Conclusioni

In sintesi, la nostra ricerca mirava a valutare l'efficacia dei modelli di deep learning nella stima dei rischi da radiazioni rispetto ai modelli parametrici tradizionali. Sebbene entrambi gli approcci abbiano funzionato bene nel prevedere le incidenze di cancro, il modello di deep learning ha offerto maggiore flessibilità e accuratezza nella stima dei rischi relativi aggiuntivi.

I risultati indicavano che il modello tradizionale potrebbe sottovalutare l'impatto della dose di radiazione sul rischio di cancro e sovrastimare l'influenza dei fattori legati all'età. Questo presenta una considerazione importante per future valutazioni del rischio da radiazioni e politiche di salute pubblica.

Con l'importanza crescente degli approcci basati sui dati nella sanità, esplorare il ruolo del deep learning nella valutazione del rischio da radiazioni può portare a una migliore comprensione e a strategie più efficaci per la sicurezza della salute pubblica.

Le intuizioni ottenute da questo studio potrebbero aiutare a perfezionare il modo in cui valutiamo i rischi da radiazioni a basse dosi e migliorare i modelli utilizzati per queste valutazioni, aiutando infine a informare migliori decisioni di salute pubblica.