Uno studio pionieristico condotto dal Consiglio Nazionale delle Ricerche (Cnr) in collaborazione con l’Università di Firenze e l’Azienda Ospedaliera Universitaria Careggi introduce un nuovo metodo basato sull’apprendimento automatico topologico per supportare l’individuazione della malattia di Alzheimer.
I dettagli della ricerca sono stati pubblicati nella rinomata rivista Journal of the Franklin Institute.
Come l’Apprendimento Automatico supporta la diagnosi dell’Alzheimer
L’uso avanzato di tecniche di machine learning applicate ai dati di spettroscopia Raman su campioni biologici permette di rilevare alterazioni biochimiche tipiche della malattia di Alzheimer. Questa innovativa tecnica analitica consente di distinguere con maggiore precisione i soggetti affetti dalla malattia rispetto ad altre patologie del sistema nervoso centrale.
La ricerca è stata condotta dall’Istituto di scienza e tecnologie dell’informazione del Cnr di Pisa (Cnr-Isti) insieme all’Istituto di fisica applicata del Cnr di Firenze (Cnr-Ifac), l’Università di Firenze e l’Azienda Ospedaliera Universitaria Careggi. Lo studio ha applicato, per la prima volta, un approccio di analisi topologica ai dati ottenuti tramite spettroscopia Raman su campioni di liquido cerebrospinale.
Un Nuovo paradigma per l’analisi dei dati
Il metodo combina l’apprendimento automatico con la topologia computazionale, una branca della matematica che studia la struttura e la forma dei dati. Questa fusione permette di identificare in modo preciso le alterazioni biochimiche che possono indicare la presenza di Alzheimer.
“Dagli spettri Raman, estraiamo caratteristiche topologiche che vengono utilizzate per addestrare algoritmi di machine learning capaci di classificare i dati”, spiega Maria Antonietta Pascali, ricercatrice del Cnr-Isti. “L’ottimizzazione del processo aiuta a selezionare il miglior modello predittivo, aumentando l’accuratezza nella distinzione tra Alzheimer e altre malattie neurologiche”.
Risultati promettenti
I risultati dello studio sono significativi: l’accuratezza raggiunta nella classificazione dei campioni di liquido cerebrospinale si attesta all’86%, un dato promettente che evidenzia il potenziale di questo metodo. “Con ulteriori perfezionamenti, questa tecnica potrebbe migliorare notevolmente la diagnosi precoce e trovare applicazione nella pratica clinica”, sottolinea Pascali.
L’Alzheimer, una sfida globale
L’importanza di migliorare la diagnosi precoce dell’Alzheimer è rafforzata dalla crescente prevalenza della malattia. Attualmente, l’Alzheimer è responsabile del 60-70% dei casi di demenza nel mondo. Si stima che entro il 2050, circa 152 milioni di persone saranno colpite da questa malattia o da demenze correlate, un fenomeno legato all’invecchiamento della popolazione.
“Questa metodologia non solo potenzia l’individuazione dell’Alzheimer, ma potrebbe essere applicata anche ad altri contesti di studio”, afferma Pascali. Le evidenze ottenute stimolano la speranza che ulteriori sviluppi possano svelare nuovi dettagli sui meccanismi biochimici legati all’insorgenza e alla progressione della malattia.
Lo studio fa parte del progetto Proteomics, Radiomics and Machine Learning-Integrated Strategy for Precision Medicine of Alzheimer’s (Prama), finanziato dalla regione Toscana e realizzato da Cnr-Ifac, Cnr-Isti, l’Università di Firenze e l’Azienda Ospedaliera Universitaria Careggi.
I laboratori coinvolti sono stati coordinati da Paolo Matteini, Davide Moroni, Fabrizio Chiti e Benedetta Nacmias.
