L'uso di metodi avanzati di
machine learning applicati ai dati di spettroscopia Raman
acquisiti su campioni biologici permette di rilevare alterazioni
biochimiche associate alla malattia di Alzheimer, facilitando
così un'individuazione più accurata. È quanto emerge da uno
studio condotto dall'Istituto di scienza e tecnologie
dell'informazione del Consiglio nazionale delle ricerche di Pisa
(Cnr-Isti) in collaborazione con l'Istituto di fisica applicata
del Cnr di Firenze (Cnr-Ifac), l'Università di Firenze e
l'Azienda ospedaliera universitaria Careggi (Firenze).
La ricerca, si spiega in una nota, mirava a distinguere i
soggetti affetti da Alzheimer da altre patologie del sistema
nervoso centrale mediante la classificazione dei dati ricavati
dalla spettroscopia Raman, una tecnica che analizza le
interazioni della luce con le molecole del campione, rilevando
così le alterazioni biochimiche che possono indicare la presenza
della malattia. Il lavoro è stato pubblicato sulla rivista
scientifica Journal of the Franklin Institute. L'innovazione
principale risiede nell'aver applicato, per la prima volta, un
metodo avanzato per l'analisi e la classificazione dei dati di
spettroscopia Raman acquisiti da campioni di liquido
cerebrospinale, sfruttando tecniche di apprendimento automatico
topologico. Questo approccio combina il machine learning con la
topologia computazionale, una branca della matematica che studia
la struttura e la forma dei dati, permettendo di identificare in
modo preciso alterazioni biochimiche che possono segnalare la
malattia di Alzheimer. "Dagli spettri Raman vengono estratte
caratteristiche di forma (features topologiche), che vengono poi
utilizzate per addestrare algoritmi di machine learning capaci
di classificare i dati - spiega Maria Antonietta Pascali,
ricercatrice del Cnr-Isti -. L'ottimizzazione del processo
consente di selezionare il miglior modello predittivo,
aumentando così l'accuratezza nella distinzione tra Alzheimer e
altre patologie del sistema nervoso centrale". I risultati sono
giudicati promettenti, secondo Pascali "l'accuratezza dell'86%
raggiunta nella classificazione dei campioni di liquido
cerebrospinale suggerisce un potenziale importante nel
riconoscimento dei soggetti Alzheimer. Con ulteriori
perfezionamenti, questa tecnica potrebbe migliorare le capacità
diagnostiche e integrarsi nella pratica clinica. Questa
metodologia promette di fornire una chiave di lettura efficace
non solo per l'Alzheimer, ma potenzialmente anche per altri casi
studio".
Riproduzione riservata © Copyright ANSA
