Neurobiologia della dislessia e potenziale dell’AI

Indice

• I limiti dell’attuale percorso diagnostico
• L’AI come strumento di analisi multimodale
• L’elettroencefalografia quantitativa potenziata dall’AI
• Integrazione e differenze

La dislessia evolutiva rappresenta un disturbo specifico dell’apprendimento con una solida base neurobiologica, caratterizzata da alterazioni funzionali e strutturali nell’emisfero sinistro. Le evidenze di neuroimaging hanno ripetutamente documentato una triade di anomalie, come l’ipoattivazione della corteccia occipito-temporale ventrale sinistra, deputata al riconoscimento rapido e automatico delle parole scritte, la ridotta attivazione del giro temporale superiore sinistro coinvolto nella corrispondenza grafema-fonema, e una connettività inferiore lungo il fascicolo arcuato e le vie occipito-frontali. A queste alterazioni si aggiunge un modello compensatorio di iperattivazione nelle aree omologhe dell’emisfero destro, in particolare nel giro frontale inferiore destro, che rappresenta un tentativo del cervello di supplire alle inefficienze della via sinistra. È fondamentale sottolineare che queste differenze neurali non costituiscono un deficit generalizzato dell’intelligenza, nè della percezione visiva di base, ma piuttosto una specializzazione atipica dei circuiti dedicati all’elaborazione del linguaggio scritto, che convive spesso con un pensiero visuo-spaziale eccezionalmente sviluppato, dote questa innata nei dislessici.

I limiti dell’attuale percorso diagnostico

L’iter diagnostico tradizionale per la dislessia si basa su una batteria di test psicometrici che valutano la lettura di parole e non parole, la consapevolezza fonologica, la memoria di lavoro verbale e la velocità di denominazione rapida. Sebbene questi strumenti abbiano una validità clinica consolidata, presentano a mio avviso, dei limiti. Il primo è la dipendenza dall’esposizione all’istruzione formale. Non è possibile, ad oggi, diagnosticare stabilmente la dislessia prima che il bambino abbia ricevuto un insegnamento sistematico della lettura, generalmente non prima dei sette/otto anni. Il secondo limite è la necessità di escludere diagnosi differenziali come deficit visivi non corretti, disturbi dell’udito e deprivazione socioculturale, un processo che richiede, come sappiamo, molto tempo e competenze multidisciplinari. Il terzo limite, forse il più rilevante in prospettiva di un intervento precoce, è che l’approccio comportamentale misura l’esito di un apprendimento già avvenuto (se non fallito), e non i processi neurobiologici sottostanti che predicono tale esito. Vuol dire che si interviene quando il bambino ha già accumulato un ritardo (nella lettura, nel calcolo etc.), non quando i primi segnali di vulnerabilità neurale sono invece rilevabili. Perché?

L’AI come strumento di analisi multimodale

Questa straordinaria tecnologia esponenziale offre davvero un cambio di paradigma, perché può integrare molteplici fonti di informazione che la clinica fatica a combinare in modo ottimale. Un sistema di AI ben progettato per la diagnosi della dislessia non si limiterebbe a somministrare test psicometrici, ma potrebbe analizzare molto velocemente i pattern oculomotori durante la lettura, le micro-esitazioni vocali, le traiettorie del puntatore del mouse o del dito su uno schermo tattile, fino ai dati provenienti da dispositivi indossabili che monitorano la variabilità della frequenza cardiaca come indice dello sforzo cognitivo. La potenza dell’AI sta proprio nella sua capacità di apprendere correlazioni sottili tra questi segnali e l’esito diagnostico finale, individuando combinazioni di indicatori che nessun clinico potrebbe riconoscere a occhio nudo. Un bambino di cinque anni che ancora non sa leggere potrebbe eseguire un compito di associazione tra suono e simbolo su un tablet, e l’algoritmo potrebbe già rilevare una latenza atipica nelle risposte, così come una variabilità eccessiva nei movimenti oculari di esplorazione, segnali che predicono con discreta accuratezza la futura difficoltà di lettura.

Sappiamo che nei bambini che sviluppano successivamente dislessia sono già presenti durante la scuola dell’infanzia differenze significative nell’elaborazione uditiva rapida, nella capacità di discriminare fonemi simili e nella stabilità dei movimenti di fissazione oculare. Un sistema di AI addestrato su dati longitudinali di gruppi di bambini seguiti dalla scuola dell’infanzia fino all’età scolare, possono imparare a pesare l’importanza relativa di ciascun marker. Ciò che rende l’approccio superiore ai metodi tradizionali è quindi la capacità di gestire la non linearità e l’interazione tra i vari marker. Facciamo l’esempio di una lieve difficoltà fonologica isolata che potrebbe anche non essere predittiva, mentre la stessa difficoltà combinata con una ridotta stabilità dei movimenti di convergenza oculare potrebbe invece elevare significativamente il rischio. L’AI non ha bisogno di conoscere a priori queste interazioni, semplicemente perché le scopre dai dati, e in questo modo può generare ipotesi causali che la ricerca successiva potrà poi validare.

L’elettroencefalografia quantitativa potenziata dall’AI

Tra gli strumenti più promettenti per una diagnosi rapida e precoce c’è l’elettroencefalografia quantitativa combinata con algoritmi di deep learning. A differenza della risonanza magnetica funzionale, l’EEG è economico, portatile e adatto ai bambini piccoli perché richiede solo pochi minuti di registrazione con un caschetto non invasivo. Il segnale EEG contiene però una quantità enorme di informazioni che l’analisi tradizionale basata su bande di frequenza predefinite non riesce a sfruttare appieno. Un sistema di deep learning può essere addestrato a riconoscere pattern spazio-temporali specifici nelle risposte evocate da stimoli linguistici e non linguistici.

L’obiettivo a lungo termine dovrebbe essere uno screening universale intorno ai quattro anni, condotto in ambiente scolastico e con strumenti semplici e rapidi. Un bambino seduto davanti a un tablet eseguirebbe per dieci minuti una serie di giochi che valutano implicitamente la consapevolezza fonologica, la memoria sequenziale uditiva, la stabilità dei movimenti oculari e la velocità di elaborazione temporale. L’AI integrata nel dispositivo analizzerebbe così centinaia di parametri comportamentali e fisiologici, restituendo al termine una probabilità di rischio e un profilo dettagliato dei punti di forza e di debolezza del bambino. Questo profilo non sarebbe una diagnosi formale, ma un indicatore che attiva un percorso di approfondimento clinico solo nei casi con probabilità superiore a una soglia predefinita. L’enorme vantaggio di questo approccio è che consentirebbe di iniziare il potenziamento cognitivo mirato già in età prescolare, quando la plasticità cerebrale è massima e prima che il bambino accumuli l’esperienza di fallimento che spesso purtroppo accompagna l’ingresso nella scuola primaria.

Integrazione e differenze

Ricordo che la dislessia non è una categoria omogenea ma un insieme eterogeneo di profili con basi neurobiologiche parzialmente diverse. Ritengo importante posizionare l’AI come strumento di supporto alla decisione clinica, non come sostituto del giudizio del professionista. Il ruolo ottimale dell’AI nella diagnosi di dislessia è quello di un filtro di primo livello e di un generatore di ipotesi. Il sistema potrebbe identificare i bambini con profili particolarmente caratterizzati da indicatori DSA e suggerire quali approfondimenti sottolineare come più urgenti e meritevoli di un’analisi più dettagliata. Il clinico manterrebbe sempre l’ultima parola, integrando l’output dell’AI con l’anamnesi, l’osservazione diretta e il proprio giudizio esperto. Tutto questo non si discute. Una tale integrazione è importante per evitare un approccio puramente riduzionista che ridurrebbe la dislessia a un punteggio algoritmico, perdendo la complessità della persona e del suo contesto. L’obiettivo non è sostituire l’intelligenza umana con quella artificiale, ma combinare i punti di forza di entrambe, ossia la capacità dell’AI di elaborare dati riconoscendo pattern complessi, e la capacità del clinico di comprendere il significato di quei pattern nella storia unica di quel bambino.