Sembra incredibile ma oggi è possibile migliorare il processo di diagnosi dei disturbi psichiatrici e del neurosviluppo applicando algoritmi di intelligenza artificiale ai dati di imaging cerebrale. È quanto sta riuscendo a fare QuantaBrain, piccola startup sorta nel ricco e ubertoso ambiente universitario pisano, che ha trovato un metodo per individuare biomarcatori complessi per la diagnosi del disturbo dello spettro autistico in bambini che si trovano ancora nella fase preverbale. Si tratta di un disturbo che si manifesta in condizioni estremamente eterogenee e che è assai difficile da individuare.

Il disturbo dello spettro autistico è drammaticamente in aumento ovunque nel mondo. In Italia si stima che 1 bambino su 77 soffra di questo disturbo del neurosviluppo che coinvolge il linguaggio, la comunicazione e l’interazione sociale. È quindi importantissimo che la diagnosi avvenga quanto più precocemente possibile.

Grazie a un metodo di elaborazione delle immagini di risonanza magnetica funzionale l’algoritmo escogitato da QuantaBrain rende ora possibile l’individuazione di alcuni indicatori biologici correlati al disturbo in regioni cerebrali con funzionamento atipico. Il pregio di quest’innovativo metodo diagnostico è che la risonanza magnetica funzionale dura solo 14 secondi ed è acquisita mentre il piccolo soggetto è a riposo, quindi senza alcuna sedazione. Il sistema è inoltre in grado di diagnosticare il disturbo dello spettro autistico con una sensibilità dell’89% e una specificità pari all’88%. La crescita di QuantaBrain è sostenuta da Scientifica Venture Capital, holding di partecipazioni nata a fine 2021 e che ha già all’attivo otto start up finanziate.

Per saperne di più su QuantaBrain e sulla sua nascita, abbiamo intervistato Elisa Ferrari, Ceo & founder. A seguire l’intervista a Davide Coletti, Senior Investment Manager di Scientifica Venture Capital.

Elisa, ci può raccontare qual è la sua formazione accademica e quali competenze l’hanno portata a fondare una startup come QuantaBrain?

«Nel 2017, durante la tesi magistrale in Fisica Medica, ho iniziato a studiare la risonanza magnetica per la diagnosi del Disturbo dello spettro autistico (DSA) all’interno del gruppo dell’INFN di Pisa guidato da Alessandra Retico, che ha una esperienza pluriennale nel campo. Dopo una attenta analisi della letteratura e dopo aver studiato in prima persona la risonanza magnetica strutturale su pazienti con DSA ho capito due cose che hanno dato una svolta al modo in cui facevo ricerca. La prima è che l’autismo è un disturbo estremamente eterogeneo che probabilmente racchiude all’interno dello spettro più disturbi con sintomatologia simile. Quindi, se si vuole trovare un biomarcatore unico dell’autismo, occorre andare a misurare qualcosa di molto vicino al comportamento, che è ciò su cui si basa la diagnosi oggi. Per questo ho deciso di smettere di studiare la risonanza magnetica strutturale e iniziare a studiare la risonanza magnetica funzionale, che misura in modo indiretto l’attività cerebrale. La seconda cosa è che l’Intelligenza artificiale è più sensibile a caratteristiche delle neuroimmagini legate alle componenti hardware e software dello scanner di risonanza piuttosto che a differenze fisiologiche tra i soggetti. Su questo abbiamo fatto una presentazione all’ISMRM (la conferenza più prestigiosa al mondo in ambito risonanza) nel 2018. All’epoca il problema non era molto conosciuto e infatti nella sessione domande ho ricevuto un paio di critiche pesanti. Però uno degli altri speaker mi disse che il problema che denunciavo era molto interessante e che lo aveva osservato anche lui. L’anno successivo questo speaker ha presentato il problema a una delle più importanti conferenze sull’AI e computational neuroscience NeurIPS (Glocker, Ben, et al. “Machine learning with multi-site imaging data: An empirical study on the impact of scanner effects.” arXiv preprint arXiv:1910.04597 , 2019), ma gli sono molto grata perché ha citato il mio lavoro anche se avevo solo una presentazione e non un paper. La conclusione che trassi dalle mie analisi è che, se si vuole addestrare una rete a riconoscere una patologia, bisogna anche insegnarle a trascurare le differenze legate allo scanner utilizzato per acquisire l’immagine».

E dopo questa brillante partenza, che cosa è successo?

«Durante la tesi magistrale frequentavo anche un corso per il trasferimento tecnologico, che insegnava a giovani ricercatori a fare la propria startup. Il corso, offerto dall’Università di Pisa, si chiamava PhD+ (oggi Contamination Lab, ndr) e si concludeva con un piccolo contest in cui diversi gruppi potevano presentare la propria idea imprenditoriale. In palio c’era un corso accelerato di entrepreneurship in California. Il mio team fu uno dei quattro vincitori dell’edizione 2017, presentando un progetto di videosorveglianza sviluppata insieme a Pietro Carra, oggi CTO di QuantaBrain. Il progetto ha poi avuto un suo seguito grazie al sostegno economico e strategico del gruppo ERAM. Fino a quel momento della mia vita la mia unica aspirazione era fare ricerca e infatti mi sono iscritta al Dottorato, però iniziavo a cogliere qualcosa che è maturato solo molto più tardi. Vale a dire la consapevolezza che le idee diventano realtà solo se dietro c’è un business e se convinci gli altri a investire sulle tue idee. Così ho cominciato il dottorato in Data Science offerto congiuntamente da Scuola Normale Superiore, Università di Pisa, Scuola Superiore Sant’Anna, IMT di Lucca e CNR. La contaminazione in questa fase della vita è stata fondamentale. Ho continuato a lavorare con Alessandra Retico su diagnosi di DSA a partire da risonanza magnetica, ma ho deciso che volevo fare uno studio estremamente multidisciplinare. Così ho chiesto anche a Davide Bacciu, docente di AI presso l’Università di Pisa, e ad Alessandro Cellerino, docente di Neurofisiologia presso la Scuola Normale Superiore, di farmi da supervisori. Pisa è bella per questo, a pochi passi puoi trovare professionisti di grandissima esperienza in diversi settori, la scelta sui possibili supervisori è molto ampia e se scegli bene, fanno la differenza».

E poi?

«E poi, durante il dottorato, ho sviluppato un indice chiamato Confounding Index (Elisa Ferrari, Alessandra Retico, and Davide Bacciu. “Measuring the effects of confounders in medical supervised classification problems: the Confounding Index (CI).” Artificial intelligence in medicine 103 (2020): 101804) che misura quanto una variabile è in grado di “ingannare” l’AI. L’idea di partenza è semplice: se voglio addestrare una rete a distinguere mele rosse da pere verdi, l’AI imparerà a distinguere il colore o la forma? E qui entra in gioco il Confounding Index che ti dice che cosa imparerà la rete quando ci sono tante variabili in gioco che possono confondere l’apprendimento. Questo indice sembra così slegato dal problema della diagnosi del DSA e invece è stato lo strumento chiave per sviluppare una rete che potesse veramente focalizzarsi sull’imparare a riconoscere il disturbo e non altre variabili. Sul finire della tesi, abbiamo realizzato che i risultati erano estremamente promettenti e qui sono entrate in gioco tutte le nozioni che avevo imparato al PhD+ nel 2017, e cioè non pubblicare, ma brevettare e fondare una società».

Come può l’intelligenza artificiale aiutare una diagnosi complessa come quella legata ai disturbi psichiatrici?

«In tutte le branche della medicina si usano metriche molto precise per fare diagnosi e prescrivere farmaci. Per diagnosticare il diabete si misura la glicemia. Per capire come trattare il diabete si misurano i livelli di Peptide C, se sono bassi si opta per le iniezioni di insulina, se sono alti si opta per una maggiore attenzione allo stile di vita eventualmente coadiuvato da alcuni farmaci (farmaci secretagoghi, metformina ecc.). Finora nella psichiatria e nella psicologia non sono stati identificati dei biomarcatori così chiari e semplici per la diagnosi o per il trattamento. L’AI è in grado di imparare biomarcatori molto complessi analizzando dati che per dimensione e caratteristiche noi umani non siamo nemmeno in grado di processare, come la risonanza magnetica funzionale che è video 3D. Infatti i medici che ispezionano a vista dati di imaging 3D, per esempio per riconoscere i noduli ai polmoni, si guardano il dato slice per slice e chiaramente la terza dimensione spaziale e quella temporale si perdono. Quindi l’AI identifica il biomarcatore e lo utilizza per fare la diagnosi proprio come facciamo noi con la misurazione della glicemia e dei valori di Peptide C».

Il primo ambito applicativo su cui QuantaBrain si è focalizzata è il disturbo dello spettro autistico e perché è così importante stabilire una diagnosi precoce di questi casi?

«Perché la plasticità neuronale, cioè la capacità del cervello di ridistribuire e assegnare compiti diversi ai nostri neuroni sulla base di stimoli ricevuti dall’ambiente esterno, si riduce nel tempo ed è massima nei primi anni di vita. Inoltre ci sono dei periodi critici entro cui è possibile acquisire specifiche abilità. Ad esempio, vi è un tempo limite per la formazione delle colonne di neuroni che ricevono e processano le informazioni dai due nervi ottici. La patologia dell’occhio pigro (che causa una riduzione della capacità visiva di un occhio, ndr) può essere risolta sfruttando la plasticità neuronale, per esempio, apponendo una benda sull’occhio sano in modo tale che gli stimoli visivi arrivino tutti all’occhio pigro. Questo trattamento è però efficace solo nei primi 2-3 anni di vita. Attualmente molti psichiatri concordano sul fatto che l’età ideale per la diagnosi di Autismo dovrebbe essere prima dei due anni, quando si può lavorare meglio sulle abilità comunicative e sociali del bambino».

E a quale età è possibile effettuare sui bambini la risonanza magnetica funzionale che permette all’algoritmo di QuantaBrain di individuare quei biomarcatori in grado di indentificare un disturbo dello spettro autistico?

«I dati che abbiamo a disposizioni ci dicono che con il nostro algoritmo è possibile fare una diagnosi di DSA già a 2 anni con la stessa precisione con cui uno psichiatra lo fa a 4 anni e mezzo. Purtroppo non abbiamo immagini di risonanza magnetica di soggetti nel primo anno di vita, ma ci stiamo adoperando per fare una raccolta dati e scoprire se possiamo ancora anticipare la diagnosi».

Come è stato testato l’algoritmo e, soprattutto, quanto è durata la ricerca prima che potesse arrivare a qualcosa di definito e misurabile?

«Lo studio è cominciato sul dataset pubblico più grosso al mondo che contiene dati di soggetti con DSA e soggetti di controllo, ABIDE. Dopodiché abbiamo fatto uno studio in doppio cieco con un centro di ricerca in Korea su un ampio campione di bambini. Adesso siamo in procinto di iniziare i trial clinici per l’ottenimento del marchio CE come dispositivo diagnostico. I primi risultati interessanti li abbiamo ottenuti dopo quattro anni di ricerca. Nell’ultimo anno invece abbiamo apportato importanti migliorie tecniche, ad esempio siamo riusciti a scendere al tempo record di 14 secondi di risonanza per fare la diagnosi, senza diminuire la confidenza dei risultati».

Chi ha permesso di far muovere i primi passi di QuantaBrain dal punto di vista economico e finanziario?

«Mentre ero ancora impegnata nel dottorato, con i miei supervisori abbiamo brevettato l’architettura della nostra rete. Poi abbiamo iniziato a cercare qualcuno con più esperienza di noi nel mondo startup e Alessandro Cellerino ci ha presentato Hannah Teichmann, cofondatrice di MMI (Medical Micro Instruments) startup nata a Pisa che ha avuto un grossissimo successo (recentemente ha chiuso un round da 75mila dollari). Hannah ha creduto moltissimo nella mission di QuantaBrain prima ancora che si chiamasse così, ha persino disegnato il logo. Inoltre lei, Giuseppe Turchetti (docente di Economia del Sant’Anna ed esperto di startup in ambito biomedicale) e Luca Foschini (fondatore dell’unicorno Evidation e attuale Ceo di SAGE Bionetworks) sono stati i nostri primissimi business angels e ci hanno permesso di sostenere alcune spese iniziali per partire. Dopodiché abbiamo iniziato a cercare un finanziamento più consistente e, nonostante avessimo ricevuto alcune proposte, grazie ai consigli dei nostri Angels che sono stati veramente più complici che investitori, abbiamo atteso di trovare un investitore che non solo investisse alle nostre condizioni, ma che avesse anche l’opportunità di aiutarci concretamente. Ed è così che abbiamo conosciuto Scientifica Venture Capital. A tutto questo va aggiunta una fitta rete di contatti che ci hanno fornito validi consigli e facilitato importanti presentazioni. Dico sempre che la cosa che amo di più del mio lavoro è che nel mondo startup c’è una solidarietà molto diffusa».

Quali sono se, se ci sono, concorrenti di QuantaBrain nel mondo?

«Facciamo una prima distinzione. Quando si parla di disturbi del comportamento si distinguono due tipologie di disturbi, quelli neurologici che hanno spesso un biomarcatore noto (come l’Alzheimer che è caratterizzato da una progressiva atrofia cerebrale, n.d.r.) e quelli psichiatrici che quasi sempre non hanno un biomarcatore noto. Esistono centinaia di startup che analizzano dati di risonanza magnetica cerebrale per diagnosticare disturbi neurologici, noi invece siamo tra i primi ad aver sviluppato una tecnologia che ha dato buoni risultati su disturbi psichiatrici e comportamentali. Esistono dei competitor che utilizzano tecniche diverse, per esempio Kintsugi analizza registrazioni vocali delle persone per capire se soffrono di ansia o depressione, Cognoa analizza con l’AI un questionario alle famiglie e la valutazione di un esperto che ha guardato video di comportamenti del bambino per formulare una diagnosi di DSA precoce e in remoto. Sono tutte applicazioni molto interessanti che studiano i sintomi o degli effetti secondari del disturbo, come l’alterazione della voce, il comportamento anomalo ecc., ma credo che il punto di forza di QuantaBrain sia che noi studiamo direttamente il cervello e che con un po’ di ricerca questo aprirà nuove possibilità per l’identificazione di un trattamento personalizzato».

Dopo il round chiuso con Scientifica Venture Capital, quali saranno i prossimi step?

«Ora gli obiettivi principali di QuantaBrain sono l’ottenimento del marchio CE per iniziare a commercializzare il sistema di diagnosi del DSA tramite risonanza magnetica e lo sviluppo di altri verticali. Abbiamo già dei risultati preliminari molto promettenti su Major Depressive Disorder, Bipolar Disorder e Attention Deficit Hyperactivity Disorder».

Da chi è composto il team di QuantaBrain e quali professionalità occorrono per entrare a far parte della vostra squadra?

«In questo momento QuantaBrain ha un team scientifico estremamente multidisciplinare con competenze in ambito AI, fisica medica, biologia e neuroscienze. Abbiamo poi alcune figure professionali che operano sul piano legale, amministrativo e finanziario. L’attività core della società è lo sviluppo software, quindi cerchiamo prevalentemente informatici, specialmente con esperienza in AI applicata a dati biomedicali, ma cerchiamo anche persone con profili molto diversi come esperti di certificazione e di finanza agevolata».

Scientifica Venture Capital: un sostegno alla ricerca scientifica

Come anticipato, la crescita di QuantaBrain è sostenuta da Scientifica Venture Capital, realtà giunta oggi al suo ottavo investimento. Abbiamo contattato Davide Coletti, Senior Investment Manager di Scientifica Venture Capital, per scoprire come è organizzato il lavoro in azienda e perché la scelta è ricaduta sulla start up di Elisa Ferrari.

Davide, può spiegare ai nostri lettori quali criteri guidino le scelte dei vostri investimenti, come nel caso di QuantaBrain?

«Noi siamo una holding di partecipazioni e come Scientifica Venture Capital abbiamo l’obiettivo di investire su società come QuantaBrain che mostrano un elevato sottostante tecnologico. Per QuantaBrain puntiamo ad abilitare il processo di trasferimento tecnologico e supportare le fasi pre-seed e seed in modo da arrivare a un Minimum Viable Product da presentare sia agli investitori del prossimo round sia per arrivare a una solida proposizione commerciale. In accordo con la founder di QuantaBrain abbiamo deciso, almeno per questo primo round, di non fare alcun tipo di disclosure né sull’entità dell’importo né sul tipo di strumento negoziato. In ogni caso l’obiettivo di base è supportare i ricercatori, in questo caso la founder, e lo facciamo con un’attività multidisciplinare. Siamo infatti una società composta da persone con differenti background. Io, per esempio, ho una preparazione di tipo economico e quindi il mio supporto verterà sull’analisi del business plan, sulla validazione del business model, ma anche sul set up del prossimo round. Gli altri miei colleghi lavorano in altre aree tra cui quella del marketing e della comunicazione, che è seguita da Carmen Cabrera. Insomma, ognuno all’interno di Scientifica Venture Capital svolge un ruolo preciso per accompagnare il trasferimento tecnologico di questa start-up, peraltro giovanissima, nata meno di un anno fa».

 E come è avvenuto l’intercettamento di questa start up?

«All’interno del mio team io sono responsabile della parte investimenti e la mia collega Lucilla Mazzeo, Dealflow & Scouting Analyst, tramite un suo network di contatti, è venuta a conoscenza di Elisa, questa ricercatrice che stava lavorando alacremente allo sviluppo di un progetto fortemente innovativo. Mi ha sottoposto l’iniziativa. Poi, al nostro interno, è presente un team tecnico che ha compiuto approfondite analisi dal punto di vista del sottostante tecnologico. E poi è scoccata la scintilla, vuoi perché l’idea è di per sé geniale, vuoi perché la founder ha un personale entusiasmo, professionalità e un trascorso accademico di primo piano. Insomma, nonostante la giovane età, ha un altissimo standing. In Scientifica Venture Capital vogliamo spiegare ai ricercatori che le idee non devono rimanere chiuse in laboratorio, ma possono essere applicabili in contesti di mercato. Questo valorizza sicuramente la ricerca, ma nobilita anche tutto il sistema universitario e gratifica i ricercatori che vedono riconosciuti e validati dal mercato i propri studi».

Era la prima volta per voi nell’ambito biomedico?

«No, non siamo nuovi a questo tipo di investimenti. Nel mondo healthcare e delle biotecnologie un altro nostro investimento del 2023 è stato GenomeUp, una soluzione innovativa che, grazie ad algoritmi bioinformatici per sequenziamento genomico e all’intelligenza artificiale, fornisce un supporto alla diagnosi di malattie genetiche rare. Un altro investimento riguarda Libera Biotech che propone una tecnologia per nuovi dispositivi medici finalizzata alla prevenzione e cura dalle infezioni da HPV (Human Papilloma Virus)».

In sintesi, QuantaBrain, la start up originaria della Scuola Normale Superiore di Pisa, sta facendo passi da gigante nella diagnosi precoce dei disturbi dello spettro autistico grazie all’intelligenza artificiale e all’analisi dei dati di imaging cerebrale. La sua tecnologia promette di rivoluzionare la diagnosi di disturbi psichiatrici, un campo dove i biomarcatori chiari sono spesso elusivi. Tuttavia, mentre il futuro sembra promettente, sorgono alcune importanti domande: quali saranno le implicazioni etiche e sociali di una diagnosi sempre più precoce? Come influenzerà il trattamento e il supporto per i pazienti? E come garantiremo che questa tecnologia sia accessibile e accurata per tutti coloro che ne hanno bisogno? Resta da vedere come evolverà questa rivoluzionaria innovazione e come affronterà queste sfide cruciali.