Come le api robot e gli squali possono aiutare a diagnosticare la dengue?

La dengue è una febbre virale trasmessa dalle zanzare, che colpisce ogni anno centinaia di milioni di persone. Scoprire l’infezione in tempo è fondamentale per curarla subito e ridurre i decessi. Un team di ricercatori ha messo alla prova tre algoritmi ispirati alla natura – Golden Jackal Optimization, Fox Optimizer e Sea Lion Optimization – per scegliere le informazioni più utili e regolare al meglio un modello di intelligenza artificiale chiamato XGBoost. Il risultato? Un’accuratezza quasi perfetta (99,89 %) usando solo due parametri del sangue: il conteggio dei globuli bianchi (WBC) e quello delle piastrine.\n\nIl segreto sta nel ridurre i dati: meno variabili significano modelli più veloci, più facili da capire e più facili da usare nei laboratori. Grazie a SHAP, una tecnica che spiega le decisioni dell’IA, è emerso che il valore dei globuli bianchi è il fattore più decisivo. Valori bassi di WBC tendono a indicare la presenza della dengue, mentre valori alti suggeriscono il contrario. Inoltre, l’approccio DiCE mostra come piccole modifiche ai dati possano trasformare una previsione sbagliata in una corretta, offrendo spunti per migliorare i test clinici.\n\nQuesti risultati aprono la porta a sistemi di diagnosi rapidi, economici e trasparenti, pronti a essere usati nei paesi più colpiti dalla malattia.

L'approccio proposto combina metaeuristiche di ottimizzazione basate su comportamenti collettivi di animali (GJO, FO, SLO) con la potenza di XGBoost, un algoritmo di boosting basato su alberi decisionali. Le metaeuristiche operano su due livelli: selezione delle feature e tuning degli iperparametri (numero di alberi, profondità massima, learning rate). La riduzione a due feature è possibile grazie alla forte correlazione tra WBC, piastrine e lo stato infettivo: la dengue induce trombocitopenia (piastrine basse) e leucopenia (WBC bassi).\n\nSHAP (SHapley Additive exPlanations) calcola il valore di Shapley di ogni feature, fornendo un contributo locale e globale alla predizione. Nel nostro caso, il valore medio di SHAP per WBC è negativo per i casi positivi, confermando la sua importanza. DiCE (Diverse Counterfactual Explanations) genera controfattuali minimi che mostrano come piccole variazioni di WBC o piastrine possano invertire la classe predetta, utile per interpretare errori e suggerire soglie cliniche.\n\nLa validazione incrociata a 10‑fold garantisce robustezza: ogni fold contiene circa il 10% dei campioni, riducendo il rischio di overfitting. L'F‑score di 99,92% indica un bilanciamento eccellente tra precisione e recall, quest'ultimo perfetto (100%). La combinazione di riduzione delle feature, spiegabilità tramite SHAP e correzione tramite DiCE rende il modello non solo accurato, ma anche trasparente e potenzialmente integrabile in sistemi di supporto decisionale clinico, soprattutto in contesti con risorse limitate.