Valutazione di modelli di deep learning per la segmentazione dei volumi dell’ippocampo da immagini MRI nella malattia di Alzheimer

Perché questa ricerca è importante per le famiglie

La malattia di Alzheimer erode lentamente la memoria e l’indipendenza, spesso molto prima che i sintomi diventino evidenti. I medici sanno che una piccola struttura cerebrale chiamata ippocampo si riduce man mano che la malattia avanza, ma misurare questa riduzione a mano sulle scansioni cerebrali è un processo lento e difficile. Questo studio esplora se l’intelligenza artificiale moderna può delineare automaticamente l’ippocampo nelle immagini MRI e stimare in modo affidabile quanto è stato perso su ciascun lato del cervello, offrendo potenzialmente ai medici una finestra più rapida e obiettiva sui cambiamenti cerebrali precoci.

Una piccola regione cerebrale con un ruolo importante nella memoria

L’ippocampo, nascosto in profondità nei lobi temporali su entrambi i lati del cervello, ci aiuta a formare nuovi ricordi e a orientarci nello spazio. Ricerche precedenti hanno dimostrato che il suo volume tende a diminuire nelle persone con malattia di Alzheimer, e che questa perdita può iniziare anni prima di una diagnosi formale. L’ippocampo sinistro è maggiormente legato alla memoria verbale e autobiografica, mentre il lato destro gioca un ruolo più grande nella memoria spaziale e nell’orientamento. Monitorare come cambia la dimensione di ciascun lato nel tempo potrebbe quindi rivelare non solo se la malattia è presente, ma anche come potrebbe influire sulle capacità cognitive e sul funzionamento quotidiano.

Perché misurare l’ippocampo è così difficile

In una scansione MRI, l’ippocampo appare come una struttura piccola e dalla forma complessa, solo una parte minima di ogni fetta d’immagine. Tradizionalmente, gli esperti tracciano a mano i suoi confini su 25–30 fette, quindi combinano queste aree per calcolare il volume. Questo approccio manuale è considerato lo standard di riferimento, ma richiede formazione specialistica, molto tempo e risulta difficile da applicare alle migliaia di scansioni raccolte in grandi studi o in cliniche affollate. I software automatizzati esistenti gestiscono bene regioni cerebrali più grandi e più semplici, ma spesso faticano a catturare in modo coerente i dettagli fini dell’ippocampo, specialmente tra scanner e qualità d’immagine differenti.

Mettere alla prova il deep learning

Per affrontare questa sfida, i ricercatori hanno valutato tre modelli di deep learning progettati per trovare e delineare oggetti nelle immagini. Hanno utilizzato scansioni MRI di 300 persone nell’iniziativa Alzheimer’s Disease Neuroimaging Initiative: 100 con malattia di Alzheimer, 100 con lieve deterioramento cognitivo (uno stadio potenzialmente precoce) e 100 anziani sani. Dopo che un neurologo ha etichettato con cura l’ippocampo su migliaia di fette d’immagine, il team ha addestrato i modelli a riconoscere i pattern visivi che definiscono questa struttura. Hanno confrontato le prestazioni usando diverse misure di accuratezza standard, concentrandosi su quanto i contorni predetti da ciascun modello si sovrapponessero alle etichette dell’esperto.

Il modello vincente e cosa ha rivelato

Tra i tre approcci, un modello chiamato U-Net ha chiaramente ottenuto le migliori prestazioni nel tracciare confini accurati attorno all’ippocampo su entrambi i lati del cervello. Ha raggiunto la maggiore sovrapposizione con le etichette degli esperti in tutti e tre i gruppi, superando un noto modello di rilevamento oggetti chiamato YOLO-v8 e un altro metodo avanzato chiamato DeepLab-v3. Una volta addestrato, il modello U-Net è stato usato per segmentare l’ippocampo in un set di immagini di test separato e per calcolare i volumi. I risultati hanno mostrato un chiaro schema: le persone con Alzheimer avevano i volumi ippocampali più piccoli, quelle con lieve deterioramento cognitivo volumi intermedi e i controlli sani i volumi più grandi. In ogni gruppo, il lato sinistro tendeva a essere leggermente più piccolo del destro.

Sottili differenze tra sinistra e destra

Confrontando direttamente i due lati, i ricercatori hanno anche esaminato quanto fosse simmetrico l’ippocampo in ciascun gruppo. Hanno scoperto che negli anziani sani il lato destro era visibilmente più grande del sinistro, mostrando la massima asimmetria. Al contrario, le persone con malattia di Alzheimer e quelle con lieve deterioramento cognitivo mostravano volumi complessivi più piccoli e differenze tra sinistra e destra solo lievi. Questo suggerisce che, con l’avanzare della malattia, entrambi gli ippocampi si riducono e i loro volumi diventano più simili, un andamento che può fornire informazioni su come stanno cambiando la memoria e altre abilità cognitive.

Cosa significa per la cura futura

Per i non specialisti, il messaggio principale è che l’intelligenza artificiale può ora eguagliare le prestazioni degli esperti in un passaggio tedioso ma cruciale: delineare l’ippocampo sulle scansioni cerebrali. In questo studio il modello U-Net si è dimostrato particolarmente affidabile per questo compito, permettendo il calcolo rapido del volume ippocampale su entrambi i lati del cervello. Se ulteriormente validati su dataset più ampi e diversificati, tali strumenti potrebbero aiutare i clinici a monitorare più facilmente i cambiamenti cerebrali precoci, supportare diagnosi più tempestive e sicure e valutare quanto efficacemente i trattamenti rallentino o modifichino la progressione della malattia. Il lavoro ci avvicina all’utilizzo delle normali scansioni MRI, potenziate dal deep learning, come biomarcatore pratico per la malattia di Alzheimer nella pratica clinica quotidiana.

Citazione: Pusparani, Y., Lin, CY., Jan, YK. et al. Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer’s disease. Sci Rep 16, 7878 (2026). https://doi.org/10.1038/s41598-026-38220-4

Parole chiave: malattia di Alzheimer, volume dell’ippocampo, risonanza magnetica cerebrale, segmentazione deep learning, U-Net