Quando si parla di Lekton.AI, il primo pensiero va all’AI generativa: le piattaforme documentali, l’analisi delle pratiche legali, la compliance 231. È il cuore della nostra attività. Ma l’intelligenza artificiale è un territorio molto più ampio della sola generazione di testo, e parte della nostra ricerca lo esplora in direzioni che con la generazione hanno poco a che vedere. Due linee, in particolare, sono meno visibili ma strategicamente importanti: il deep learning classico applicato all’imaging medico e il Quantum Machine Learning. In questo articolo le raccontiamo insieme, perché si incontrano su un problema concreto e ad alto impatto: la diagnosi precoce della malattia di Parkinson.

Il problema clinico

La malattia di Parkinson è un disturbo neurodegenerativo legato alla progressiva perdita dei neuroni dopaminergici. Una delle sfide cliniche più sentite è la diagnosi precoce e oggettiva: quando i sintomi motori diventano evidenti, gran parte di quei neuroni è già compromessa. L’imaging funzionale del sistema dopaminergico — ad esempio la PET con tracciante C-DOPA, che misura la captazione striatale — offre un segnale quantitativo prezioso, ma la sua interpretazione richiede competenza specialistica e si presta a un supporto da parte di modelli capaci di leggere pattern complessi nelle immagini tridimensionali.

È qui che il deep learning può dare un contributo: non per sostituire il clinico, ma per fornire uno strumento di analisi aggiuntivo, riproducibile e misurabile.

BrainNet: l’AI classica al lavoro sulle immagini

BrainNet è una rete neurale convoluzionale 3D per la classificazione di immagini PET C-DOPA finalizzata alla diagnosi precoce del Parkinson. Si tratta della reingegnerizzazione di un notebook di ricerca originale secondo le prassi attuali del deep learning per imaging medico — ed è proprio questa disciplina metodologica, più che l’architettura in sé, a rappresentare il valore del progetto.

Sul piano tecnico, BrainNet adotta una DenseNet121 tridimensionale (con una baseline più leggera come termine di paragone), una pipeline costruita per essere leak-free — cioè priva di contaminazioni tra training e test — e una validazione con cross-validation a 5 fold stratificata e raggruppata per paziente (StratifiedGroupKFold). Le metriche non si fermano all’accuratezza: vengono riportate sensibilità, specificità e AUC con intervalli di confidenza al 95% via bootstrap, perché su una coorte limitata un singolo numero non racconta la verità.

E qui sta il punto più importante, che vale la pena dire con franchezza. Con un campione di circa 46 pazienti, l’obiettivo realistico non è un’accuratezza perfetta — un risultato del genere, nel codice originale, era in realtà un artefatto di data leakage — bensì una stima onesta e corredata di incertezza delle prestazioni in cross-validation. Per risultati robusti e clinicamente affidabili servono più soggetti e, idealmente, una validazione esterna su una coorte indipendente. Dichiararlo non è una debolezza: è la condizione per fare ricerca seria su dati sanitari.

Dati sanitari: la riservatezza prima di tutto

I dati clinici sono categoria particolare ai sensi dell’art. 9 del GDPR. Per questo BrainNet separa nettamente il codice dai dati: le immagini DICOM e gli elenchi pazienti non risiedono nel repository, si lavora su un CSV pseudonimizzato (solo identificativo e label) e i DICOM vanno ulteriormente de-identificati rimuovendo i tag che contengono informazioni personali. La gestione resta soggetta all’approvazione etica dello studio. È lo stesso principio che applichiamo nei settori regolamentati in cui operiamo: la tecnologia avanza, ma il rispetto del dato della persona non è negoziabile.

Oltre il classico: la via quantistica

La seconda linea di ricerca chiede: e se una parte dell’estrazione delle feature potesse avvenire su un circuito quantistico? Il Quantum Machine Learning studia architetture neurali ibride quantistico-classiche, in cui layer convoluzionali quantistici o circuiti parametrizzati affiancano le reti tradizionali, con l’ipotesi di rappresentazioni più ricche o di una maggiore efficienza sui dati — un aspetto particolarmente interessante proprio quando le coorti sono piccole, come in ambito medico.

Il nostro repository qh_algorithms affronta la domanda nel modo che riteniamo corretto: con un confronto sperimentale rigoroso tra una CNN classica, una CNN ibrida quantistico-classica (HQCNN) e un riferimento puramente quantistico. Non un singolo esperimento fortunato, ma una campagna a 10 semi indipendenti per architettura, con intervalli di confidenza di Wilson, test di Wilcoxon appaiati e bootstrap per stabilire se le differenze osservate siano statisticamente sensate. Il tutto costruito su Qiskit e PennyLane e validato sul dataset di immagini EuroSAT, con uno studio dedicato alla resilienza al rumore — perché l’hardware quantistico odierno (NISQ) è rumoroso, e ignorarlo significa raccontarsi favole.

Va detto con onestà: oggi questa è ricerca metodologica su classificazione di immagini generiche, non un modello quantistico già calato sulla diagnostica del Parkinson. Ma il ponte è esplicito. La stessa infrastruttura di confronto rigoroso — architetture messe a paragone con statistica seria e attenzione al rumore — è precisamente ciò che servirebbe per valutare, domani, se e quando un approccio ibrido quantistico porti un vantaggio reale rispetto al solo deep learning classico su immagini mediche come quelle di BrainNet.

Il filo conduttore: il metodo prima del clamore

Classico o quantistico, generativo o predittivo, ciò che conta per noi è sempre lo stesso: validazione rigorosa, incertezza dichiarata, pipeline prive di contaminazioni, protezione del dato e la persona competente al centro della decisione. È lo stesso principio non negoziabile delle nostre piattaforme documentali — ogni output dichiara come è stato prodotto e resta soggetto alla validazione del professionista — applicato qui a un dominio diverso e delicatissimo.

L’AI generativa è oggi la tecnologia più visibile, e con ragione. Ma l’intelligenza artificiale al servizio di problemi reali — la salute, la diagnosi, la ricerca scientifica — richiede anche strumenti diversi e una cultura ingegneristica fatta di misura, prudenza e trasparenza. È la direzione in cui guardiamo, accanto al nostro lavoro quotidiano.

---

Nota. I progetti descritti sono attività di ricerca. Non costituiscono un dispositivo medico, né uno strumento diagnostico validato per uso clinico, né indicazioni mediche. I risultati riportati nei repository sono preliminari e richiedono coorti più ampie e validazione esterna indipendente prima di qualsiasi applicazione reale. Per qualsiasi questione di salute è indispensabile rivolgersi a un medico.

Il codice è open source sul nostro GitHub (BrainNet, qh_algorithms). Vuoi parlarne con noi? Contattaci.