Come può l'IA migliorare la diagnosi della salute fetale?

Durante la gravidanza, monitorare il benessere del bambino è fondamentale. Uno strumento chiave è la cardiotocografia (CTG), che registra i battiti cardiaci fetali e le contrazioni uterine. Tuttavia, i dati di CTG sono spesso sbilanciati: alcune condizioni rare compaiono molto meno spesso, rendendo difficile per i modelli tradizionali riconoscerle correttamente. Il nuovo studio propone una doppia strategia. Prima, un algoritmo chiamato MAAL (Adaptive Adjustment of Misclassification Loss) regola dinamicamente i pesi della funzione di perdita, concentrandosi maggiormente sui campioni che il modello sbaglia. In pratica, se il modello confonde una classe, il peso di quell’errore aumenta, spingendo la rete a prestare più attenzione. Seconda, viene introdotta una rete di correzione primaria‑secondaria (MAC‑NET). Dopo che il modello principale ha fatto le sue previsioni, la rete secondaria rivede i casi errati per correggerli. Test su un dataset pubblico di salute fetale (UCI) hanno mostrato un’accuratezza del 99,39 %, superando di gran lunga i metodi precedenti. Inoltre, la stessa architettura ha funzionato bene su altri set di dati sbilanciati, dimostrando la sua versatilità. Questi risultati suggeriscono che, grazie a tecniche di apprendimento adattivo, l’intelligenza artificiale può ridurre il rischio di diagnosi errate e supportare i medici nella gestione precoce delle gravidanze a rischio.

Il modello MAAL si basa su una funzione di perdita ponderata che varia in tempo reale. In pratica, per ogni batch di addestramento si calcola il tasso di errore per ciascuna classe; le classi con tasso più alto ricevono un fattore di scaling maggiore. Questo approccio è simile al focal loss, ma con un meccanismo di aggiornamento più reattivo, poiché i pesi si adattano ad ogni epoca in base alle performance correnti. La rete MAC‑NET, invece, è strutturata come due moduli sequenziali: il primo è una CNN standard che estrae caratteristiche temporali dalla serie CTG, mentre il secondo è una rete più leggera (spesso un MLP) addestrata esclusivamente sui campioni classificati erroneamente dal primo modulo. La correzione avviene tramite un meccanismo di residual learning, dove l'output del secondo modulo viene sommato all'output originale, affinando la decisione finale. Dal punto di vista statistico, l'approccio riduce il bias verso le classi maggioritarie, migliorando la curva ROC e l'AUC su set sbilanciati. Inoltre, la combinazione di MAAL e MAC‑NET permette di mantenere una buona generalizzazione, evitando l'overfitting tipico dei metodi che semplicemente oversampleano le classi minoritarie. In termini di implementazione, il training richiede circa 2‑3 volte più tempo rispetto a una rete singola, ma il guadagno in accuratezza (oltre 5 punti percentuali) giustifica il costo computazionale aggiuntivo, soprattutto in contesti clinici dove la precisione è critica.