Parkinson: E se la diagnosi precoce fosse già nella tua Risonanza Magnetica?

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona tantissimo e che potrebbe davvero cambiare le carte in tavola per la diagnosi di una malattia neurodegenerativa molto diffusa: il Parkinson. Sapete, il Parkinson è la seconda malattia di questo tipo più comune al mondo, pensate che nel 2016 colpiva circa sei milioni di persone! Si manifesta con sintomi motori come tremore, rigidità, lentezza nei movimenti e problemi di equilibrio, ma anche con sintomi non motori, tipo perdita dell’olfatto o disturbi del sonno.

Il Problema della Diagnosi Tardiva

Il vero nodo cruciale del Parkinson è che la sua diagnosi spesso arriva tardi. La malattia lavora nell’ombra per molto tempo. Quando compaiono i sintomi motori più evidenti, potremmo aver già perso tra il 40% e il 60% dei neuroni dopaminergici nella cosiddetta sostanza nera (una zona chiave del cervello) e fino all’80% della loro funzione sinaptica. Capite bene che intervenire precocemente è fondamentale per provare a rallentare la progressione della malattia.

Attualmente, la diagnosi si basa molto sull’anamnesi, l’esame neurologico e la risposta ai farmaci dopaminergici. La risonanza magnetica (RM) convenzionale alla testa viene fatta di routine, ma più che altro per escludere altre patologie, perché da sola non è abbastanza specifica per confermare il Parkinson. Questo porta a errori diagnostici non rari, specialmente all’inizio. Pensate che una meta-analisi ha mostrato tassi di errore diagnostico del 16.1% alla prima visita e del 20.4% nei controlli successivi! E per chi ha la malattia da meno di 5 anni, l’accuratezza diagnostica scende addirittura al 53%.

Esistono tecniche di imaging più avanzate, come la SPECT o la PET, che sono utili, ma sono costose e non disponibili ovunque. Anche alcune tecniche di RM avanzate (mappe quantitative di suscettibilità, RM funzionale, diffusion MRI) hanno mostrato cambiamenti nel cervello dei pazienti con Parkinson, ma richiedono analisi complesse e l’occhio esperto di neuroradiologi senior. Insomma, c’è un gran bisogno di trovare metodi accessibili, non invasivi e a basso costo per migliorare la diagnosi precoce.

L’Idea: Sfruttare l’Intelligenza Artificiale sulla RM di Routine

Ed è qui che entra in gioco la tecnologia, in particolare l’intelligenza artificiale (IA) e il machine learning (ML). L’idea che abbiamo esplorato in uno studio multicentrico è stata: e se potessimo “spremere” di più dalle immagini di risonanza magnetica che già si fanno di routine? Nello specifico, abbiamo puntato sulla sequenza T2 pesata FLAIR (Fluid-Attenuated Inversion Recovery), una sequenza comune negli esami RM del cervello.

Abbiamo pensato di usare la radiomica. Cos’è? Immaginatela come una sorta di “biopsia virtuale”: si tratta di estrarre una quantità enorme di dati quantitativi dalle immagini mediche, dati che vanno ben oltre ciò che l’occhio umano può cogliere. Questi dati, chiamati features radiomiche, descrivono la tessitura, la forma, l’intensità dei pixel in modi molto sofisticati. L’ipotesi era che queste features, estratte da specifiche aree cerebrali colpite dal Parkinson, potessero contenere informazioni nascoste utili a distinguere i pazienti dai soggetti sani, anche in fase iniziale.

Il Nostro Studio: Un Approccio Multicentrico

Per testare questa idea, abbiamo messo insieme un bel po’ di dati: le immagini T2 FLAIR di ben 1727 persone, raccolte retrospettivamente da cinque centri diversi (quattro ospedali più i dati dell’iniziativa PPMI – Parkinson’s Progression Marker Initiative). Questo approccio multicentrico è importante perché ci permette di verificare se i risultati sono validi nonostante le differenze tra gli scanner RM e le popolazioni.

Abbiamo diviso i partecipanti in:

• Un gruppo di addestramento (395 pazienti con Parkinson / 574 controlli sani)
• Un gruppo di test interno (99 pazienti / 144 controlli)
• Un gruppo di test esterno (295 pazienti / 220 controlli) per verificare la generalizzabilità dei modelli.

Ci siamo concentrati su quattro aree cerebrali chiave, note per essere coinvolte nel Parkinson e ben visibili nelle immagini T2 FLAIR:

• Sostanza Nera (SN): Dove avviene la principale perdita di neuroni dopaminergici.
• Nucleo Rosso (RN): Coinvolto nel coordinamento motorio.
• Globo Pallido (GP): Parte dello striato, riceve dopamina dalla SN.
• Putamen (PU): Altra parte fondamentale dello striato, anch’essa ricevente dopamina.

Due neuroradiologi esperti (e “ciechi” rispetto allo stato dei soggetti, cioè non sapevano chi fosse malato e chi sano) hanno delineato manualmente queste regioni su tutte le immagini. Poi un terzo neuroradiologo ancora più esperto ha revisionato tutto per garantire la massima precisione.

La “Magia” del Machine Learning

Una volta delimitate le aree di interesse (ROI), abbiamo usato software specifici (Pyradiomics) per estrarre migliaia di features radiomiche da ciascuna ROI. Parliamo di oltre 1700 features per regione, per un totale di più di 7000 features per soggetto! Ovviamente, non tutte queste informazioni sono utili, anzi, molte sono ridondanti o irrilevanti.

Qui entra in gioco il machine learning. Abbiamo usato algoritmi specifici (LASSO e mRMR) per selezionare solo le features più importanti e informative per distinguere i pazienti con Parkinson dai controlli sani, riducendo il rischio di “overfitting” (cioè creare un modello che funziona benissimo sui dati di addestramento ma male su dati nuovi). Alla fine, siamo rimasti con un set di 20 features radiomiche chiave: 5 dalla Sostanza Nera, 2 dal Nucleo Rosso, 3 dal Globo Pallido e 10 dal Putamen. È interessante notare che erano tutte features “di ordine superiore”, cioè quelle che descrivono pattern complessi di tessitura, suggerendo che i cambiamenti sottili nel Parkinson potrebbero non essere legati a semplici variazioni di segnale o forma visibili a occhio nudo. La feature più importante veniva dalla Sostanza Nera, confermando il suo ruolo centrale.

A questo punto, abbiamo addestrato sei diversi classificatori di machine learning (KNN, Random Forest, SVM, Gaussian Naive Bayes, AdaBoost e Multilayer Perceptron – una rete neurale) usando queste 20 features sul gruppo di addestramento. L’obiettivo era vedere quale algoritmo riuscisse a classificare meglio i soggetti.

I Risultati: Promettenti Davvero!

E i risultati? Beh, direi molto incoraggianti!
Nel gruppo di test interno (soggetti dello stesso ospedale principale ma non usati per l’addestramento), tutti e sei i modelli hanno mostrato prestazioni eccellenti:

• L’AUC (Area Under the Curve), una misura di quanto bene il modello distingue le due classi, era tra 0.96 e 0.98 (un valore vicino a 1 indica una classificazione quasi perfetta).
• L’accuratezza (la percentuale di classificazioni corrette) variava dall’80% al 90%. I modelli SVM (Support Vector Machine) e MLP (Multilayer Perceptron) hanno raggiunto entrambi il 90% di accuratezza con un AUC di 0.97.

Ma la vera prova del nove è il test esterno, quello con dati provenienti da centri diversi, con scanner diversi. Qui, come ci si aspetta, le performance sono leggermente calate, ma sono rimaste decisamente buone, dimostrando che i modelli hanno una certa capacità di generalizzazione:

• Il modello MLP è risultato il migliore, con un AUC di 0.85 e un’accuratezza del 78%.
• Anche i modelli KNN e SVM hanno ottenuto buoni risultati, con AUC rispettivamente di 0.82 e 0.81 e accuratezze del 79% e 78%.
• Altri modelli (RF, GNB, AB) hanno avuto performance leggermente inferiori, ma comunque significative.

Questi risultati suggeriscono fortemente che, analizzando in modo intelligente le comuni immagini RM T2 FLAIR con algoritmi di machine learning, è fattibile identificare segnali precoci del Parkinson con una buona accuratezza.

Cosa Significa Tutto Questo?

La cosa davvero entusiasmante è che questo approccio utilizza una sequenza RM (la T2 FLAIR) che fa già parte degli esami di routine per moltissimi pazienti che si presentano con sospetti neurologici. Non richiede nuovi macchinari costosi o traccianti radioattivi. Potenzialmente, potremmo avere uno strumento di screening precoce per il Parkinson, basato sull’IA, che aiuta i medici a identificare i pazienti a rischio molto prima di quanto sia possibile oggi, semplicemente analizzando meglio le immagini che già abbiamo.

Questo potrebbe aprire la strada a interventi terapeutici più tempestivi, quando il cervello ha ancora maggiori capacità di compensazione, e magari a rallentare la progressione della malattia. Ovviamente, non stiamo parlando di una diagnosi definitiva basata solo su questo, ma di un potente strumento di supporto decisionale per i clinici.

Uno Sguardo al Futuro (e Qualche Limite)

Come ogni ricerca, anche la nostra ha dei limiti. Si tratta di uno studio retrospettivo, quindi ora servono studi prospettici per confermare questi risultati su nuovi pazienti in tempo reale. Inoltre, la delineazione delle aree cerebrali è stata fatta manualmente, un processo lungo e laborioso. Il futuro è sicuramente nello sviluppo di modelli di deep learning per la segmentazione automatica di queste regioni, rendendo l’intero processo più rapido e standardizzato (e ci stiamo già lavorando!).

Infine, la diagnosi di riferimento era quella clinica. Sarebbe ideale poter validare questi modelli anche con dati neuropatologici, lo standard aureo, anche se questo è molto più complesso da ottenere. Potrebbe anche essere utile integrare questi dati di imaging con altri biomarcatori accessibili.

In Conclusione

Nonostante i passi ancora da fare, penso che questo studio mostri una strada davvero promettente. L’idea di poter “sbloccare” informazioni nascoste nelle risonanze magnetiche di routine grazie all’intelligenza artificiale per aiutare nella diagnosi precoce del Parkinson è affascinante. Fornisce un metodo oggettivo, semi-automatico (e potenzialmente automatico in futuro) ed efficace per lo screening iniziale. Speriamo che future validazioni confermino la solidità di questi modelli e aprano la porta a un loro utilizzo nella pratica clinica. Incrociamo le dita!

Fonte: Springer