L’obiettivo principale del progetto STEM-DEEP (Stochastic electromagnetic modeling and deep learning for an effective and personalized transcranial magnetic stimulation) è sviluppare un metodo innovativo per l’identificazione dell’intensità della corrente elettrica e della posizione della bobina ottimali quando si utilizza la stimolazione magnetica transcranica (TMS) per stimolare una determinata regione corticale del cervello in singoli soggetti.
L’approccio proposto per raggiungere tale obiettivo è all’avanguardia. Saranno utilizzati dati personalizzati provenienti da immagini di risonanza magnetica (MRI) e sarà presa in considerazione la variabilità delle proprietà dei tessuti in termini di quantificazione dell’incertezza. Il problema del campo elettrico – consistente nell’individuare la distribuzione del campo elettrico data la geometria, le proprietà del tessuto e la corrente della bobina – sarà risolto molto velocemente applicando una tecnica di riduzione dell’ordine del modello (MOR). Infine, anche il problema inverso – consistente nell’individuare la corrente e la posizione della bobina per ottenere una TMS efficace – sarà risolto in modo accurato e innovativo grazie all’utilizzo di tecniche di deep learning (DL). Il metodo sarà quindi convalidato mediante misurazioni TMS.
Saranno arruolati venticinque soggetti sani per poi implementare un modello a elementi finiti (FEM): partendo da immagini di risonanza magnetica. Sulla base di questo modello, una tecnica MOR accoppiata all’espansione del caos polinomiale (PCE) fornirà un modello surrogato veloce, che tiene conto della variabilità delle conduttività elettriche all’interno dei diversi tessuti cerebrali. Il modello surrogato servirà a creare un database di mappe di campo elettrico, relative innanzitutto alla regione cerebrale della mano e, secondariamente, all’area della gamba.
Una sessione sperimentale di TMS sui venticinque soggetti servirà a determinare l’intensità necessaria per stimolare efficacemente l’area della mano. Il problema diretto sarà affrontato modellando questi esperimenti con il FEM allo scopo di calcolare la distribuzione del campo nell’area della mano necessaria per ottenere la stimolazione. Sarà quindi affrontato il problema inverso dell’identificazione della posizione della bobina, data la distribuzione di campo desiderata. A tal fine, saranno addestrati un variational autoencoder (VA) e una rete neurale convoluzionale (CNN). Infine, l’intensità della TMS sarà scalata per corrispondere correttamente al valore del campo identificato dalla simulazione. La stessa procedura sarà ripetuta per l’area delle gambe, ma non saranno necessari altri esperimenti né modelli di campo. Per concludere, sarà eseguita una sessione di esperimenti di convalida per valutare i risultati.
Il metodo proposto mira a migliorare il potenziale diagnostico e terapeutico della TMS, con l’obiettivo principale di evitare sessioni troppo stressanti, che potrebbero risultare addirittura inutili se l’area-bersaglio non è stimolata correttamente.
