Radiomica basata sugli habitat in MRI per migliorare la diagnosi del morbo di Parkinson

Perché questo è importante per pazienti e famiglie

Il morbo di Parkinson spesso insorge in modo lento, con tremori o rigidità sottili difficili da riconoscere. Oggi i medici si basano ancora in larga misura sui sintomi e su esami specialistici costosi per formulare una diagnosi, e i casi iniziali vengono facilmente trascurati. Questo studio mostra che le stesse immagini MRI di routine che molti ospedali già acquisiscono possono essere sfruttate per estrarre pattern nascosti, offrendo un modo più rapido, meno invasivo e sorprendentemente accurato per individuare il Parkinson.

Uno sguardo nuovo all’interno del cervello

I ricercatori si sono concentrati su due strutture profonde del cervello, il nucleo caudato e il putamen, centrali per il controllo del movimento e fortemente coinvolte nel morbo di Parkinson. Invece di considerare ciascuna struttura come un blocco unico di tessuto, hanno posto una domanda più dettagliata: diverse aree all’interno di queste regioni si comportano in modo differente alla MRI, e tali differenze possono rivelare la malattia? Per esplorare questo, hanno raccolto scansioni MRI di routine da 308 persone—173 con Parkinson e 135 volontari sani—in due ospedali con apparecchiature diverse, rispecchiando la varietà presente nelle cliniche reali.

Dai “quartieri” cerebrali alle impronte digitali digitali

Usando una tecnica chiamata radiomica basata sugli habitat, il gruppo ha suddiviso ogni regione target in “quartieri” più piccoli, o habitat, basandosi su sottili differenze di brillantezza e texture nelle immagini MRI. Un algoritmo ha raggruppato i voxel (piccoli pixel 3D) con caratteristiche di imaging simili in questi habitat, quindi ha estratto centinaia di caratteristiche numeriche da ciascuno. Queste caratteristiche formano una sorta di impronta digitale del tessuto, catturando piccole irregolarità invisibili a occhio nudo ma potenzialmente indicatori di perdita neuronale, fibrosi o accumulo di ferro associati al Parkinson.

Addestrare un modello diagnostico a partire da MRI di routine

Con queste impronte, gli scienziati hanno addestrato un modello di apprendimento automatico, noto come support vector machine, per distinguere i pazienti con Parkinson dai controlli sani. Hanno testato diverse modalità di suddivisione delle regioni cerebrali in habitat, da una singola grande zona fino a dieci più piccole. Sia il set di addestramento principale sia un set di validazione indipendente sono stati usati per valutare le prestazioni. Quando le regioni erano suddivise in cinque habitat, il modello ha reso al meglio: su dati nuovi e non visti ha identificato correttamente il Parkinson in quasi 9 persone su 10 e ha raggiunto un’accuratezza diagnostica complessiva superiore al 94% nello studio completo. Ciò ha superato approcci precedenti che trattavano ogni regione come un’unità singola e che spesso si attestavano intorno all’80–85% di accuratezza.

Cosa vede davvero il modello

Per evitare di costruire una “scatola nera”, il team ha utilizzato un metodo di spiegazione chiamato SHAP per capire quali caratteristiche dell’immagine influenzavano le decisioni del modello. I segnali più importanti provenivano dalle sequenze T2-pesate, una sequenza clinica comune. Nelle persone con Parkinson, gli habitat rilevanti mostravano una maggiore variazione di intensità, più punti molto chiari o molto scuri e distribuzioni d’intensità asimmetriche rispetto ai volontari sani. Questi pattern probabilmente rispecchiano processi patologici noti nei gangli della base, come la perdita di neuroni dopaminergici, la fibrosi locale e depositi anomali di ferro. È significativo che le stesse caratteristiche emergessero ripetutamente quando i dati venivano suddivisi e rianalizzati in modi diversi, e che rimanessero stabili tra scanner differenti, suggerendo che il metodo è robusto e non un artefatto di una singola macchina.

Da strumento di ricerca alla clinica

Le analisi con curve decisionali, che bilanciano i benefici dell’individuare casi veri rispetto ai danni dei falsi allarmi, indicano che il modello potrebbe aiutare i clinici a decidere chi necessita realmente di ulteriori accertamenti, come una DaTscan, e chi può evitare indagini aggiuntive e costose. Poiché il metodo si basa solo su normali scansioni MRI e software, potrebbe essere particolarmente utile dove l’imaging nucleare avanzato non è disponibile o è troppo costoso. Gli autori sostengono che la radiomica basata sugli habitat trasforma immagini MRI familiari in ricche mappe di dati, offrendo un aiuto non invasivo e potente per una diagnosi di Parkinson più precoce e accurata e gettando le basi per futuri strumenti che potrebbero anche monitorare la progressione della malattia e guidare il trattamento.

Citazione: Li, YZ., Wang, Y., Cai, C. et al. Habitat-based MRI radiomics for enhanced parkinson’s diagnosis. Sci Rep 16, 4755 (2026). https://doi.org/10.1038/s41598-026-37923-y

Parole chiave: Morbo di Parkinson, MRI, radiomica, apprendimento automatico, diagnosi precoce