L’intelligenza artificiale differenzia la mielofibrosi primaria prefibrotica con trombocitosi dall’essenziale trombocitemia usando immagini digitalizzate della biopsia midollare

Perché è importante per le persone con patologie del sangue

I medici faticano spesso a distinguere due condizioni ematiche che si assomigliano ma comportano rischi a lungo termine molto diversi. Questo studio mostra come l’intelligenza artificiale possa leggere le immagini del midollo osseo su uno schermo per separare queste malattie con maggiore accuratezza e individua anche sottili caratteristiche tissutali che gli esseri umani potrebbero trascurare. Per i pazienti, ciò potrebbe alla lunga tradursi in diagnosi migliori, informazioni sul rischio più chiare e terapie più personalizzate.

Due malattie simili con futuri molto diversi

La trombocitemia essenziale e la mielofibrosi primaria prefibrotica sono entrambe malattie rare del midollo osseo che causano un eccesso di piastrine, le cellule del sangue coinvolte nella coagulazione. Al microscopio, i loro campioni di midollo possono apparire piuttosto simili, quindi anche i patologi esperti a volte non sono d’accordo sulla diagnosi. La distinzione è importante perché le persone con la forma prefibrotica hanno maggior probabilità di sviluppare una grave fibrosi del midollo, leucemia e complicanze potenzialmente letali rispetto a quelle con trombocitemia essenziale. Le linee guida correnti si basano sulla valutazione visiva da parte di esperti delle forme cellulari e di sottili segni di fibrosi, un processo sia soggettivo sia dispendioso in termini di tempo.

Addestrare un computer a leggere i vetrini del midollo

I ricercatori hanno costruito un sistema di intelligenza artificiale in due fasi che lavora direttamente su immagini di biopsie midollari colorate routinariamente. Innanzitutto hanno utilizzato un potente modello pre-addestrato, esposto in origine a decine di migliaia di vetrini oncologici, per estrarre pattern visivi dettagliati da ogni piccola regione della biopsia. Poi hanno applicato un metodo di “attenzione” che permette all’algoritmo di assegnare maggiore importanza alle aree che supportano più fortemente una diagnosi piuttosto che l’altra. Addestrato su 200 pazienti italiani con diagnosi attentamente confermate e poi testato su un gruppo indipendente di un centro oncologico statunitense, il sistema ha distinto le due malattie con alta accuratezza. Ha separato correttamente la mielofibrosi primaria prefibrotica dalla trombocitemia essenziale in più di nove pazienti su dieci nel gruppo di validazione, con una particolare capacità di evitare di etichettare erroneamente qualcuno come affetto dalla malattia a rischio più elevato.

Usare immagini sintetiche per vedere ciò che l’IA vede

Per comprendere su quali indizi visivi il modello si basasse, il team ha aggiunto una componente generativa in grado di creare patch di midollo realistiche tipiche di ciascuna malattia. Hanno selezionato sia tasselli di immagini reali sia generati dal computer che il classificatore trattava con sicurezza e hanno chiesto a tre ematopatologi esperti, in cieco, di etichettarli. Per le immagini reali, gli esperti umani concordavano con la diagnosi dell’IA nella maggior parte dei casi quando si sentivano in grado di scegliere una risposta. Ma per molte immagini sintetiche, specialmente quelle che imitavano la trombocitemia essenziale, i patologi spesso non erano d’accordo con l’algoritmo o ritenevano di non poter scegliere in sicurezza una diagnosi, nonostante l’IA avesse classificato correttamente quei tasselli secondo i dati noti dei pazienti.

Un ruolo sorprendente del grasso rispetto alle cellule nel midollo

Il contrasto tra uomo e macchina ha spinto a un’analisi più approfondita della composizione tissutale sia nelle immagini reali sia in quelle generate. Utilizzando un altro strumento di analisi delle immagini, i ricercatori hanno misurato quanto di ogni tassello fosse occupato da spazi adiposi rispetto alle cellule ematopoietiche. In generale, i campioni associati alla trombocitemia essenziale contenevano più grasso, mentre quelli collegati alla mielofibrosi primaria prefibrotica erano più densamente pieni di cellule. Questo schema è emerso sia nelle immagini di pazienti reali sia in quelle generate dal computer, ed era ancora più marcato nelle diapositive sintetiche di trombocitemia essenziale. Le mappe di calore dell’“attenzione” del modello hanno inoltre mostrato che l’algoritmo si concentrava naturalmente sulle aree ematopoietiche attive piuttosto che su osso o artefatti, suggerendo che avesse appreso indizi biologicamente significativi piuttosto che scorciatoie.

Cosa potrebbe significare per diagnosi e trattamento

In termini pratici, lo studio suggerisce che un sistema di IA accuratamente addestrato può aiutare i patologi a separare queste due malattie midollari simili usando vetrini standard e può scoprire caratteristiche tissutali utili, come l’equilibrio tra grasso e cellule, che non fanno parte delle liste di controllo attuali. Gli autori sottolineano che il loro strumento non vuole sostituire la revisione esperta, soprattutto dato il numero modesto di pazienti studiati finora. Piuttosto, potrebbe fungere da secondo lettore, specialmente nei centri che vedono pochi casi di questo tipo, e potrebbe contribuire a selezionare meglio i pazienti da includere in trial clinici escludendo quelli con la forma prefibrotica più aggressiva. Col tempo, la combinazione di questo tipo di IA basata sulle immagini con dati clinici e genetici potrebbe sostenere una cura più sicura e personalizzata per le persone che vivono con queste rare malattie del sangue.

Citazione: Srisuwananukorn, A., Loscocco, G.G., Dolezal, J.M. et al. Artificial intelligence differentiates prefibrotic primary myelofibrosis with thrombocytosis from essential thrombocythemia using digitized bone marrow biopsy images. Leukemia 40, 1018–1026 (2026). https://doi.org/10.1038/s41375-026-02893-7

Parole chiave: intelligenza artificiale, biopsia del midollo osseo, neoplasie mieloproliferative, trombocitemia essenziale, mielofibrosi prefibrotica