Il futuro della diagnosi Alzheimer è già qui: la dottoranda Veronica Buttaro dell’Università degli studi di Bari sta rivoluzionando lo screening grazie all’Intelligenza artificiale simbiotica e al Multi-view Learning, rendendo possibile l’identificazione di biomarcatori plasmatici cruciali con un semplice e non invasivo prelievo di sangue, anziché il tradizionale prelievo del liquor cerebrospinale. Questo approccio promette uno screening rapido e ripetibile, aprendo nuove frontiere nella diagnosi precoce della patologia, che è sempre meno un mistero per gli scienziati.

Qual è stato il suo ruolo specifico nell’ambito dello Spoke 6 – Symbiotic AI del progetto FAIR, e come si collega questo approccio “Symbiotic AI” al suo lavoro per la diagnosi dell’Alzheimer?

«Dallo scorso ottobre 2023 sono dottoranda presso l’Università degli Studi di Bari in Informatica e Matematica, su una borsa nell’ambito dello spoke 6 del progetto FAIR (Future Artificial Intelligence Research). Lo spoke 6, coordinato proprio dall’Università di Bari, mira a sviluppare l’intelligenza artificiale simbiotica, creando un approccio collaborativo e sinergico tra uomo e macchina. L’idea è quella di costruire sistemi intelligenti capaci di lavorare insieme alle persone, comprendendone i modelli mentali, comunicando in modo naturale e coordinandosi per obiettivi comuni, con applicazioni in settori strategici come salute, finanza e smart cities.

La mia borsa di ricerca in particolare ha come obiettivo quello di studiare come rendere l’intelligenza artificiale più sostenibile, riutilizzando modelli già appresi per altre applicazioni in nuovi contesti, in particolare in ambito medico. In tal senso, uno dei lavori che sto portando avanti riguarda la diagnosi dell’Alzheimer e coniuga la sostenibilità, tramite il riutilizzo di modelli, e la simbioticità, poiché nella costruzione della metodologia vi è stato un forte scambio tra umani (esperti del dominio come biologi e medici) e la macchina».

Il suo poster si intitola “Identifying disease biomarkers using a novel data analysis pipeline based on multi-view learning”. Potrebbe spiegare che cosa significa “multi-view learning” nel contesto del suo modello innovativo e come questa metodologia migliora l’identificazione dei biomarcatori rispetto ad altri approcci?

«Nell’ambito dell’apprendimento automatico negli ultimi anni sono sempre più utilizzati approcci basati su “Multi-view learning”. Tale metodologia, delineata nell’ambito del mio lavoro, integra diverse prospettive dei dati relativi allo stesso paziente – ad esempio dati di espressione genica e dati clinici – in un unico modello. Il nostro approccio innovativo usa architetture che estraggono caratteristiche specifiche da ciascun tipo di dato, ma le combinano in uno spazio condiviso per identificare segnali coerenti e complementari.

Rispetto ai metodi tradizionali che analizzano un solo tipo di dato, questo aumenta la robustezza e l’accuratezza nell’identificare biomarcatori rilevanti, perché sfrutta la complementarità biologica tra le diverse fonti di informazione».

Il modello che ha sviluppato mira all’identificazione non invasiva di biomarcatori plasmatici utili per la diagnosi dell’Alzheimer. Quali sono i principali vantaggi di un approccio non invasivo e quali sfide tecniche o metodologiche ha incontrato nel raggiungere questo obiettivo?

«Attualmente la diagnosi di Alzheimer si basa spesso sul prelievo del liquor cerebrospinale, che è invasivo e poco accettato dai pazienti. Il nostro approccio si concentra invece sull’analisi di miRNA plasmatici ottenuti da un semplice prelievo di sangue, offrendo la possibilità di uno screening rapido, non invasivo e ripetibile. I miRNA (microRNA) sono piccole molecole di RNA non codificante che regolano l’espressione genica e risultano spesso alterati in presenza di patologie, rappresentando quindi candidati ideali come biomarcatori diagnostici.

La sfida principale è integrare informazioni eterogenee: il nostro modello costruisce una rappresentazione numerica e compatta dei miRNA combinando dati clinici, di espressione e sequenze dei miRNA stessi. Questo ci consente non solo di migliorare la predizione dei soggetti a rischio, ma anche di generare una lista di potenziali nuovi biomarcatori plasmatici utili per la diagnosi precoce».

Lutech partecipa al progetto FAIR collaborando con l’Università degli Studi di Bari e il Politecnico di Milano. Come si è sviluppata la collaborazione con queste istituzioni e quale contributo specifico ha ricevuto il suo lavoro da questa sinergia?

«La collaborazione tra Lutech, l’Università degli Studi di Bari e il Politecnico di Milano all’interno del progetto FAIR (Future Artificial Intelligence Research) è alla base di un lavoro di ricerca più ampio e ambizioso, che mira a innovare la diagnosi precoce dell’Alzheimer attraverso l’uso di dati multimodali.

Il nostro lavoro rappresenta una parte di questo progetto esteso, che si pone due obiettivi principali: creare un modello multimodale robusto, sostenibile e in linea con la filosofia “human-in-the-loop”, in cui l’intelligenza artificiale sia un alleato del medico e non un suo sostituto, integrando dati diversi (come immagini di risonanza magnetica, dati clinici, cognitivi, omici) per supportare decisioni più consapevoli; garantire l’adattività del modello, cioè la capacità di mantenere buone prestazioni anche quando i dati di input provengono da fonti e protocolli diversi da quelli di addestramento.

Ad esempio, immagini di risonanza magnetica ottenute con macchinari o protocolli differenti tra ospedali: si vuole che il modello sappia generalizzare, riducendo la necessità di riaddestramenti costosi e rendendolo più facilmente applicabile nella pratica clinica reale. In questo contesto, Lutech ha un ruolo fondamentale come partner industriale, mettendo a disposizione la propria esperienza nell’ingegnerizzazione di soluzioni AI e nella trasferibilità tecnologica verso il settore sanitario ed essendo il nodo centrale della collaborazione tra le due università, Politecnico di Milano e Università di Bari. Questo progetto più ampio si è potuto sviluppare proprio grazie alla stretta collaborazione tra ricerca universitaria e competenze industriali, per affrontare in modo realistico la sfida di una diagnosi dell’Alzheimer più personalizzata».

Guardando al futuro, quali sono i prossimi passi per lo sviluppo e la validazione del suo modello per l’identificazione dei biomarcatori di Alzheimer?

«Guardando al futuro, il nostro lavoro prevede diverse fasi di consolidamento e miglioramento prima di arrivare a un’implementazione su larga scala. Nello specifico, in fasi successive sarà necessario validare i risultati attraverso analisi su nuovi individui, raccogliendo campioni di sangue da soggetti accuratamente selezionati e distinti tra pazienti sani e pazienti con sospetto di declino cognitivo o Alzheimer. Questo campionamento permetterà di validare i biomarcatori emersi dai nostri esperimenti su dati multimodali di natura pubblica (trovati su repository che racchiudono studi e dati provenienti da altre parti del mondo), fornendo una base solida per confrontare le previsioni del modello con misurazioni reali.

Questa fase è cruciale perché ci consentirà di: verificare la sensibilità e specificità del modello su dati biologici reali; affinare ulteriormente gli algoritmi sulla base delle evidenze raccolte; ridurre il rischio di overfitting ai dati usati finora, migliorando la generalizzabilità del modello. Solo dopo questa validazione iniziale potremo pianificare fasi successive più ampie, che potranno includere studi clinici multicentrici o la sperimentazione su campioni più grandi e raccolti in contesti eterogenei (ad esempio altri ospedali o protocolli di acquisizione diversi)».