Un progetto europeo coordinato da Siena Imaging punta a sviluppare nuove tecnologie di intelligenza artificiale capaci di analizzare le immagini della risonanza magnetica cerebrale e identificare le caratteristiche dei gliomi, una delle principali categorie di tumori primitivi del sistema nervoso centrale negli adulti. L’iniziativa, denominata Gliogen-X, ha ottenuto un finanziamento dell’Unione europea di circa quattro milioni di euro nell’ambito di programmi dedicati alla ricerca ad alto rischio scientifico e con un potenziale elevato di innovazione. Il progetto coinvolge Siena Imaging, Fondazione Toscana Life Sciences, Università di Manchester, Fondazione della Università Aperta della Catalogna e Northern Care Alliance di Manchester, riunendo competenze nell’elaborazione delle immagini, nella ricerca biomedica e nella pratica clinica. L’obiettivo consiste nello sviluppo di una forma di biopsia virtuale, attraverso la quale alcune informazioni attualmente ricavate dall’analisi di campioni di tessuto potrebbero essere stimate direttamente dalle immagini diagnostiche. La possibilità assumerebbe particolare rilievo per i pazienti nei quali una procedura chirurgica risulta complessa o rischiosa, pur richiedendo ancora una lunga fase di ricerca e validazione prima di poter essere considerata un’alternativa clinica consolidata.
I gliomi comprendono tumori con caratteristiche biologiche differenti, la cui classificazione dipende non soltanto dall’aspetto osservato attraverso gli esami di imaging, ma anche dalle caratteristiche istologiche e molecolari delle cellule tumorali. La diagnosi precisa è importante perché contribuisce a definire il comportamento atteso della malattia, le opzioni terapeutiche e la valutazione prognostica. Attualmente, la risonanza magnetica svolge un ruolo fondamentale nell’individuazione della lesione, nella descrizione della sua posizione e nell’osservazione dell’estensione e delle caratteristiche radiologiche. Tuttavia, per ottenere molte delle informazioni necessarie alla classificazione definitiva del tumore è generalmente indispensabile analizzare un campione di tessuto, acquisito attraverso una biopsia o durante un intervento chirurgico. Questa procedura permette di esaminare direttamente le cellule e di effettuare analisi molecolari, ma può essere associata a rischi e difficoltà quando la lesione si trova in una regione cerebrale particolarmente delicata oppure quando le condizioni cliniche del paziente rendono complesso l’intervento.
La ricerca di Gliogen-X parte dall’ipotesi che le immagini di risonanza magnetica contengano informazioni biologiche più numerose di quelle normalmente distinguibili attraverso la sola osservazione visiva. Differenze nella struttura interna delle lesioni, nella distribuzione dei segnali, nei margini e nelle caratteristiche dei tessuti possono riflettere processi patologici sottostanti. L’intelligenza artificiale, attraverso tecniche di apprendimento automatico e analisi quantitativa delle immagini, può cercare relazioni statistiche tra queste caratteristiche e le classificazioni ottenute dalle indagini diagnostiche tradizionali. Il risultato atteso è un sistema capace di stimare determinate proprietà del glioma senza richiedere necessariamente il prelievo di un campione biologico. Il termine biopsia virtuale indica proprio questa possibilità di ricavare indirettamente informazioni sulla natura di una lesione, pur rimanendo fondamentale la distinzione tra una previsione algoritmica e un accertamento istopatologico. Un modello può infatti fornire indicazioni probabilistiche, ma non osserva direttamente le caratteristiche cellulari e molecolari con le stesse modalità di un laboratorio.
Il progetto prevede una strategia articolata che comprende anche la generazione di immagini sintetiche di risonanza magnetica. Attraverso l’intelligenza artificiale, i ricercatori intendono creare dati simulati da utilizzare per ampliare le risorse disponibili durante lo sviluppo e l’addestramento dei modelli. La disponibilità di dataset sufficientemente numerosi e diversificati rappresenta una delle principali difficoltà della ricerca medica, soprattutto quando si studiano patologie relativamente rare oppure sottogruppi di pazienti caratterizzati da specifiche varianti tumorali. Le immagini sintetiche possono contribuire a esporre gli algoritmi a una maggiore varietà di condizioni, ma devono essere sviluppate e verificate con particolare attenzione per evitare che riproducano distorsioni presenti nei dati originali o introducano caratteristiche artificiali prive di corrispondenza clinica. La seconda componente della ricerca riguarda l’identificazione dei segnali presenti nelle risonanze che possono essere associati alle proprietà del tumore, mentre la terza prevede la costruzione di strumenti capaci di utilizzare tali informazioni per stimare il tipo di glioma.
Siena Imaging ha già comunicato risultati preliminari incoraggianti, con valori di accuratezza compresi tra l’86% e il 96% nel riconoscimento delle principali tipologie di glioma. Questi risultati rappresentano il punto di partenza per lo sviluppo del progetto, ma non devono essere interpretati come una prestazione già dimostrata nell’utilizzo clinico ordinario. La valutazione dell’affidabilità richiederà infatti l’analisi di un numero più ampio di casi e la verifica della capacità degli algoritmi di mantenere prestazioni comparabili su immagini prodotte da apparecchiature differenti, in strutture ospedaliere diverse e su popolazioni di pazienti eterogenee. Anche la distribuzione delle categorie tumorali nei dati di valutazione può influenzare significativamente il risultato complessivo. Un sistema che riconosce con precisione una forma frequente di glioma potrebbe incontrare difficoltà maggiori nell’identificazione di varianti meno rappresentate, rendendo indispensabile l’esame delle prestazioni specifiche per ciascun sottogruppo.
La biopsia virtuale potrebbe inoltre offrire un vantaggio legato alla possibilità di analizzare l’intero volume della lesione. Una biopsia tradizionale esamina il tessuto prelevato in una regione determinata del tumore, mentre le immagini di risonanza permettono di osservare la distribuzione spaziale delle caratteristiche radiologiche su un’area più estesa. Poiché alcune lesioni possono presentare una notevole eterogeneità interna, l’analisi quantitativa potrebbe contribuire a individuare regioni differenti e a descrivere in modo più articolato le caratteristiche del tumore. Questa possibilità potrebbe risultare utile nella medicina personalizzata, soprattutto se le informazioni estratte dalle immagini venissero correlate in maniera affidabile con proprietà molecolari rilevanti per la scelta delle terapie. Anche in questo caso, tuttavia, si tratta di un obiettivo di ricerca: la capacità di identificare differenze radiologiche non implica automaticamente la possibilità di prevedere tutte le caratteristiche genetiche o di determinare il trattamento più appropriato.
Marco Battaglini, amministratore delegato e cofondatore di Siena Imaging, ha presentato Gliogen-X come un’iniziativa scientificamente ambiziosa, il cui successo potrebbe modificare alcuni aspetti della gestione diagnostica dei pazienti affetti da glioma. Il presidente della Fondazione Toscana Life Sciences, Francesco Frati, ha invece sottolineato il significato del finanziamento europeo per l’ecosistema della ricerca e dell’innovazione presente a Siena. La collaborazione internazionale sarà importante soprattutto per collegare lo sviluppo degli algoritmi alle esigenze reali dei medici e dei pazienti, definendo criteri di valutazione clinicamente significativi. Non sarà sufficiente dimostrare che il modello produce una classificazione statisticamente accurata: occorrerà verificare in quali situazioni la previsione aggiunga informazioni utili, quale livello di incertezza sia accettabile e se l’impiego del sistema possa modificare le decisioni senza compromettere la sicurezza delle persone.
Gliogen-X rappresenta una delle direzioni più promettenti dell’intelligenza artificiale applicata alla diagnostica per immagini, nella quale le tecnologie non vengono utilizzate soltanto per individuare anomalie visibili, ma anche per cercare correlazioni tra rappresentazioni radiologiche e caratteristiche biologiche non direttamente osservabili. La possibilità di ridurre il ricorso a procedure invasive potrebbe costituire un beneficio significativo per determinati pazienti, ma richiede prove particolarmente solide, perché un errore nella classificazione del tumore può influenzare decisioni terapeutiche di grande importanza. La ricerca finanziata dall’Unione europea dovrà quindi dimostrare se le informazioni estratte automaticamente dalle risonanze siano sufficientemente affidabili da integrare i percorsi diagnostici attuali e, in circostanze specifiche, contribuire a ridurre la necessità di un prelievo tissutale. L’obiettivo non è semplicemente sostituire un esame con un algoritmo, ma ampliare gli strumenti disponibili per costruire diagnosi più precise e percorsi di cura maggiormente adattati alle condizioni individuali dei pazienti.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)