Cancro e AI: La Mia Scommessa per Prevedere la Sopravvivenza (E Funziona!)

Amici, parliamoci chiaro: quando si parla di cancro, una delle angosce più grandi è l’incertezza sul futuro. Come andrà? Quanto tempo? Domande che pesano come macigni. Da anni, nel campo della ricerca oncologica, ci si spreme le meningi per trovare modi sempre più accurati per rispondere, o almeno per dare indicazioni più precise. E se vi dicessi che l’intelligenza artificiale e un approccio un po’ “detective” all’analisi dei dati stanno aprendo scenari pazzeschi? Beh, mettetevi comodi, perché è proprio di questo che voglio parlarvi oggi.

Un Puzzle Complicatissimo Chiamato Cancro

Immaginate di avere davanti un paziente oncologico. Per capire cosa sta succedendo e cosa potrebbe succedere, abbiamo a disposizione una marea di informazioni. Non parlo solo dei classici esami clinici. Grazie ai progressi tecnologici dell’ultimo decennio, possiamo “leggere” tantissimo altro:

• Trascrizioni genetiche (RNA): cosa stanno “dicendo” i geni.
• Proteine: i veri operai delle nostre cellule.
• Metaboliti: le piccole molecole frutto del nostro metabolismo.
• Dati clinici: età, sesso, stadio del tumore, e così via.

Ognuno di questi è un pezzetto del puzzle. Il problema? Sono tantissimi pezzi (alta dimensionalità), spesso abbiamo pochi “puzzle completi” (campioni di pazienti ridotti rispetto alla mole di dati per ognuno), e i pezzi sono di forme e materiali diversissimi (eterogeneità dei dati). Un bel rompicapo, vero?

La Sfida: Unire i Puntini con il Machine Learning

Ecco, la mia “fissa” e quella del mio team è stata: come possiamo prendere tutti questi dati così diversi – che noi chiamiamo dati multimodali – e farli “parlare” tra loro per ottenere una previsione sulla sopravvivenza (sia generale, OS, che libera da progressione della malattia, PFS) che sia più accurata di quella che otterremmo guardando un solo tipo di dato alla volta? La risposta, o almeno la nostra scommessa, è il machine learning.

Però, attenzione: non esiste una bacchetta magica, un algoritmo che vada bene per tutto. Serviva un metodo, una sorta di “cassetta degli attrezzi” super versatile per confrontare diverse strategie. E così, abbiamo sviluppato una pipeline (un flusso di lavoro computazionale, per intenderci) che utilizza i dati preziosissimi del The Cancer Genome Atlas (TCGA), un enorme database pubblico.

Fusione dei Dati: Meglio Prima, Durante o Dopo?

Quando hai tanti tipi di dati, la domanda cruciale è: quando li unisco?

• Fusione precoce (Early fusion): butti tutto insieme dall’inizio, come un minestrone. Rischioso se i dati sono troppo diversi o se alcuni “ingredienti” coprono il sapore degli altri.
• Fusione intermedia (Intermediate fusion): unisci i dati a un livello un po’ più astratto, dopo una prima elaborazione.
• Fusione tardiva (Late fusion): analizzi ogni tipo di dato separatamente e poi, solo alla fine, metti insieme i “responsi”. È come chiedere il parere a diversi esperti e poi fare una sintesi.

Noi abbiamo puntato forte sulla fusione tardiva. Perché? Perché ci è sembrata la strategia più robusta per gestire la complessità dei dati oncologici, specialmente quando si lavora con dataset dove il numero di pazienti non è enorme rispetto alla quantità di variabili per ciascuno. E i risultati ci hanno dato ragione!

Cosa Abbiamo Scoperto di Così Emozionante?

Analizzando i dati TCGA relativi a tumori del polmone, della mammella e un insieme “pan-cancer” (cioè che include tanti tipi di tumore diversi), abbiamo visto che i nostri modelli a fusione tardiva hanno costantemente superato quelli basati su un singolo tipo di dato. Non solo in termini di accuratezza (misurata con un parametro chiamato C-index, dove 0.5 è casuale e 1 è perfetto), ma anche di robustezza.

Vi faccio qualche esempio concreto:

• Più dati (modalità) si usano, meglio è (in media): Aggiungere informazioni da diverse fonti tende a migliorare la previsione. Certo, c’è un punto in cui i benefici aggiuntivi diminuiscono, ma l’importante è che aggiungere dati, con la nostra strategia, non peggiora le cose!
• Non tutti i dati pesano uguale: I dati clinici (come lo stadio del tumore, che è un forte predittore) e le espressioni geniche spesso si sono rivelati i più “informativi”. Questo non vuol dire che gli altri siano inutili, anzi! Ogni pezzetto contribuisce.
• La dimensione del campione conta: L’ vantaggio dei modelli multimodali è risultato più evidente quando avevamo a disposizione dati di più pazienti. Logico, no? Più esempi ha la macchina per imparare, meglio impara.
• Modelli “Pan-Cancer”: Anche quando abbiamo messo insieme pazienti con 33 tipi di cancro diversi, la fusione multimodale ha mostrato una chiara superiorità. Questo è super interessante perché apre la strada a modelli che potrebbero imparare pattern comuni a diverse neoplasie.

Un aspetto cruciale del nostro lavoro è stata la riduzione della dimensionalità. Avendo decine di migliaia di potenziali “biomarcatori” (geni, proteine, ecc.), dovevamo selezionare quelli più rilevanti per la sopravvivenza, per evitare che il modello andasse in “overfitting”, cioè imparasse a memoria i dati di training senza capire le regole generali. Abbiamo esplorato vari metodi, dalla semplice correlazione di Spearman a tecniche più complesse.

Allo stesso modo, per i modelli di sopravvivenza veri e propri, non ci siamo limitati al classico modello di Cox (che è lineare), ma abbiamo testato anche approcci non lineari come il gradient boosting e le random forest, che spesso si comportano meglio con dati tabulari complessi come i nostri. E indovinate un po’? Gli ensemble di modelli (cioè mettere insieme le previsioni di più modelli diversi) hanno quasi sempre dato i risultati migliori.

La Pipeline AZ-AI: Uno Strumento per la Comunità

Tutto questo lavoro è confluito nella pipeline AZ-AI multimodal, una libreria Python che abbiamo sviluppato e che può essere usata dalla comunità scientifica per replicare i nostri risultati o, ancora meglio, per esplorare nuove strade. È flessibile: permette di scegliere quali dati usare, come pre-processarli, quali metodi di riduzione dimensionale e quali modelli di sopravvivenza testare, e soprattutto, diverse strategie di fusione.

Abbiamo anche messo molta enfasi su una valutazione rigorosa. Non basta dividere i dati una volta in training e test. Noi abbiamo ripetuto l’intero processo molte volte, con divisioni diverse, per essere sicuri che i nostri risultati non fossero un colpo di fortuna legato a una particolare suddivisione dei dati. Questo è fondamentale, specialmente con dataset non giganteschi, dove la variabilità può essere alta.

Prendiamo il caso del carcinoma polmonare non a piccole cellule (NSCLC). Qui avevamo un buon numero di pazienti e diverse modalità di dati. I modelli multimodali hanno superato tutti i modelli unimodali, e anche la varianza delle previsioni si è ridotta. Questo significa previsioni non solo più accurate in media, ma anche più stabili.

Un’altra cosa interessante è che, ispezionando i “pesi” che il nostro modello di fusione tardiva assegna a ciascuna modalità, abbiamo visto che tutte le modalità venivano considerate (nessun peso era zero) e che l’importanza relativa di una modalità nel modello multimodale era correlata a quanto bene quella modalità funzionava da sola. Sembra logico, ma è una bella conferma!

Cosa Ci Riserva il Futuro?

Questo è solo l’inizio, ovviamente. C’è ancora tantissimo da fare.

• Dataset più grandi: Lavorare su coorti di pazienti ancora più ampie ci permetterà di affinare ulteriormente i modelli e magari scoprire pattern ancora più sottili.
• Interazioni cross-modali: La nostra strategia di fusione tardiva è ottima per la sua semplicità e robustezza, ma non cattura direttamente le interazioni complesse tra feature di diverse modalità. Strategie di fusione intermedia potrebbero essere esplorate in contesti con più dati.
• Nuove modalità di dati: Pensiamo all’imaging, ai dati sullo stile di vita… più informazioni pertinenti abbiamo, meglio è.
• Interpretabilità: Capire perché un modello fa una certa previsione è fondamentale. Stiamo lavorando per integrare metodi (come SHAP) che ci aiutino a identificare i biomarcatori chiave che guidano le decisioni del modello.
• Sottopopolazioni di pazienti: Potremmo scoprire che diverse modalità sono più importanti per diversi stadi del tumore o in relazione a specifici trattamenti.

La strada è ancora lunga, non fraintendetemi. Ma ogni passo avanti, ogni piccola scoperta, ci avvicina a un futuro in cui la lotta contro il cancro sarà sempre più personalizzata e, speriamo, più efficace. Integrare dati da fonti diverse, usando la potenza del machine learning, non è solo un esercizio accademico: è una promessa concreta per migliorare la vita dei pazienti. E io sono entusiasta di far parte di questa avventura!

Fonte: Springer