Grazie all’AI si può analizzare una grande mole di dati e scoprire modelli e informazioni che gli esseri umani non potrebbero trovare da soli. In ambito oncologico, per esempio, gli algoritmi classici e/o quantistici permettono di individuare nuovi attori nel panorama dei biomarcatori delle fasi più precoci della malattia neoplastica. L’Intelligenza Artificiale oggi è diventata la “super alleata” nelle fasi di diagnosi e cura dei tumori: «Non solo supporta questa fase della medicina diagnostica ma ci proietta oltre», dice l’oncologa Natalia Malara, professoressa associata in Avanzate tecnologie di laboratorio per la medicina di precisione all’Università “Magna Graecia”. «Ci permette di comprendere e visualizzare le connessioni molecolari chiarendo come le loro dinamiche estemporanee governano la funzione cellulare e le conseguenti interazioni intercellulari. Uno strumento che permette di ampliare la prospettiva sulle tecniche narrative della complessità dei fenomeni biologici», spiega Malara.
In che modo?
«Oggi la narrativa grafica dell’AI semplifica il fenomeno biologico racchiuso nei big data, collezionati con le analisi di laboratorio, con immagini di reti descrittive le traiettorie senza discontinuità dimensionale tra il nano, il micro e il macroscopico. La complessità biologica, prima tracciata nei grafici disegnati sulla lavagna bianca dietro la scrivania, oggi con l’AI acquisisce una inedita rappresentazione che oserei definire “cinematografica”. Le frontiere virtuali della diagnostica precoce con questo tipo di approccio sono abbattute dall’emergere di orizzonti neodefiniti dagli algoritimi».
Può fare un esempio reale di questa nuova operatività?
«La definizione personalizzata del rischio oncologico. Combinando i dati analitici, prodotti direttamente dalla caratterizzazione molecolare delle cellule non ematologiche presenti in un prelievo di sangue, con un algoritmo a rete neurale oggi è possibile definire il rischio oncologico tessuto specifico».
Con il suo gruppo di ricerca avete aperto una finestra sulla fase pretumorale, individuando il momento in cui, potenzialmente, è possibile la reversibilità del tumore. Quali sono, a oggi, gli sviluppi?
«Stiamo attivamente applicando il test e in base ai risultati conseguiti sul singolo generiamo prescrizioni indirizzate alla riduzione del rischio neoplastico individuato. La ripetizione del test dopo il trattamento permette di verificare l’andamento del rischio in funzione delle misure contenitive attuate».
Cos’è la biopsia liquida?
«Con questo termine in oncologia si vuole indicare un test che usa una matrice liquida (sangue, saliva etc) per fornire informazioni utili alla gestione del paziente come se questo test fosse effettuato direttamente sul tessuto di interesse, cioè il tessuto tumorale».
Quale ruolo ha nella medicina di precisione?
«Contribuisce a rispondere al quesito di presenza o assenza del biomarcatore assolvendo il paziente dalla procedura bioptica tissutale, spesso invasiva. La biopsia liquida consiste in una procedura non invasiva e ripetibile nel tempo, offrendo il vantaggio di seguire le modifiche dei biomarcatori di interesse prima e dopo il trattamento. Il suo ruolo diventa prevalente quando il paziente ha più lesioni tumorali e decidere quale lesione potrebbe essere quella referente delle altre per testare la molecola target e iniziare una terapia è complicato, o quando la procedura bioptica sul tessuto può peggiorare le condizioni del paziente. Quest’ultimo caso può verificarsi anche in fase diagnostica».
Come si costruisce una terapia su misura dei pazienti?
«La misura di un paziente è fornita dallo studio del paziente medesimo. Oggi i modelli predittivi offrono la possibilità di poter predire non solo le malattie ma anche la risposta al trattamento e questo in funzione di dati biologici, acquisiti dalle analisi del paziente, che divengono input di algoritmi abili a risolvere le vie metaboliche preferenziali presenti in quell’individuo. Acquisire informazioni sulle vie metaboliche consente di comprendere connessioni tra comorbidità in essere o in divenire nell’individuo esaminato. L’attenzione degli addetti ai lavori deve essere concentrata sulla strutturazione e manutenzione dei datasets sui quali gli algoritmi vengono creati. L’implementazione dei modelli predittivi deve essere gestita attentamente per affrontare una serie di rischi legati alla sicurezza del paziente, all’integrità dei dati, alla conformità legale ed etica e alle sfide tecniche. Questi aspetti sono stati discussi in parte nel documento di riflessione (European Medicines Agency’s initiatives) sull’uso dell’AI».
Cosa prevede?
«Il documento promuove la validazione confrontando i risultati dell’AI con analisi indipendenti supervisionate direttamente dagli esseri umani: questo è essenziale per il passaggio da studi sconnessi a studi affidabili. In questa direzione contribuisce sostanzialmente la validazione dei modelli predittivi adottati negli studi retrospettivi».
Questi studi hanno dei limiti?
«Uno di questi è che si basano spesso su materiale di imaging radiologico d’archivio. Gli esami radiologici non possono essere considerati completamente non invasivi né costantemente ripetibili nel tempo. Di conseguenza, lo sviluppo di modelli di valutazione retrospettivi dovrebbe essere validato con dati acquisiti in tempo reale o in modo sincrono (ad esempio con la biopsia liquida) nella stessa popolazione per migliorare l’attendibilità clinica dei modelli predittivi. Per affrontare queste tematiche con Giorgia Zunino (direttore scientifico Hedux e dirigente di ricerca c/o la direzione scientifica dell’IRCCS Ospedale Policlinico San Martino di Genova) e in collaborazione con AiSDeT, abbiamo disegnato un master di I livello multidisciplinare erogato dalla Scuola di Alta Formazione dell’università Magna Graecia, che coinvolge esperti nazionali e internazionali e un inattesa numerosità di iscritti di cui medici, biotecnologi, biologi, bioingegneri e ingegneri informatici. In questo microcosmo di formazione e informazione reciproca tra discenti e docenti, emerge nitido il ruolo di AI nell’armonizzare la medicina traslazionale (dal paziente al laboratorio) e la medicina di precisione (dai dati analitici al linguaggio informatico) per catalizzare l’approccio personalizzato e applicarlo ad ogni campo della clinica medica».
L’Intelligenza artificiale è il miglior alleato nella ricerca scientifica. Oggi, per esempio, la narrativa grafica dell’AI semplifica il fenomeno biologico racchiuso nei big data. Un fattore che ha rivoluzionato la medicina, aprendo nuovi e importanti orizzonti.
