Un classificatore ensemble di machine learning per la diagnosi del morbo di Parkinson mediante angiografia a coerenza ottica

Perché gli occhi possono rivelare malattie cerebrali nascoste

Il morbo di Parkinson viene di solito diagnosticato solo dopo la comparsa di tremori, rigidità o rallentamento dei movimenti—segni che il cervello è già cambiato da anni. Questo studio esplora una scorciatoia inaspettata: osservare i minuscoli vasi sanguigni nella parte posteriore dell’occhio con una scansione indolore e poi usare l’intelligenza artificiale per segnalare le persone che potrebbero avere il Parkinson in modo più precoce e oggettivo rispetto agli esami attuali.

Guardare il cervello attraverso l’occhio

Il tessuto sensibile alla luce nella parte posteriore dell’occhio, la retina, è essenzialmente una porzione accessibile del cervello. Condivide nervi e vasi sanguigni simili ed è esaminabile in modo non invasivo in ambulatorio. I ricercatori hanno usato una tecnologia chiamata angiografia a coerenza ottica, o OCTA, che produce mappe dettagliate e senza colorante della circolazione retinica. Poiché il Parkinson è stato associato a problemi nei piccoli vasi anche in altre parti del corpo, il team si è chiesto se cambiamenti sottili in queste reti retiniche potessero agire come una “finestra” sulla malattia precoce.

Trasformare le scansioni oculari in numeri

In uno studio retrospettivo, il team ha raccolto scansioni OCTA da 53 persone con Parkinson e 39 volontari sani appaiati per età. Si sono concentrati su due strati di vasi retinici: uno superficiale vicino alla superficie e uno più profondo sottostante. Per ciascuno strato hanno segmentato automaticamente la zona foveale avascolare centrale—la piccola depressione priva di vasi necessaria per la visione nitida—così come i capillari circostanti. Hanno poi convertito ogni immagine in 22 misure numeriche. Alcune descrivevano la forma della zona foveale, per esempio quanto fosse rotonda, regolare o irregolare nel contorno. Altre misuravano la densità complessiva dei vasi e in un anello attorno alla fovea. Insieme, queste misure quantificavano la microcircolazione con molta più sfumatura di quanto possa giudicare l’occhio umano.

Addestrare un’IA a riconoscere i modelli del Parkinson

Con queste misure a disposizione, i ricercatori hanno costruito modelli informatici per distinguere le scansioni di pazienti con Parkinson da quelle dei sani. Poiché il set di dati era modesto, hanno prima usato tecniche di selezione delle caratteristiche per ridurre le 22 misure al sottoinsieme più informativo, diminuendo rumore e overfitting. Hanno poi addestrato diversi algoritmi di machine learning comuni, inclusi metodi basati su alberi decisionali e un classificatore k-nearest neighbors. Infine, hanno combinato i tre migliori performer—XGBoost, Random Forest e K-Nearest Neighbors—in un “ensemble” ponderato, così che il voto di ciascun modello contasse in proporzione alle sue prestazioni tipiche.

Cosa hanno trovato i modelli nella retina

Rispetto ai volontari sani, le persone con Parkinson mostravano chiari segni di microcircolazione retinica alterata. Le misure di densità vascolare erano più basse e la zona foveale centrale tendeva a presentare una forma meno regolare—meno rotonda, meno liscia e meno compatta—sia nello strato vascolare superficiale sia in quello profondo. Quando testato su dati mai visti prima, il modello ensemble ha classificato correttamente circa tre occhi su quattro nel complesso. In particolare, ha raggiunto una sensibilità del 90%: ha identificato correttamente nove casi di Parkinson su dieci. La specificità è risultata più modesta, poco oltre la metà, il che significa che alcuni individui sani sono stati erroneamente segnalati come malati. L’area sotto la curva ROC, un indice comune delle prestazioni diagnostiche, è stata 0,75, indicando una discriminazione utile ma non definitiva.

Dall’algoritmo alla clinica

Per andare oltre la teoria, il team ha racchiuso i metodi in un prototipo software chiamato Parkinson’s Disease Artificial Intelligence (PDAI). Tramite una semplice interfaccia grafica, i clinici possono caricare le scansioni OCTA, rivedere i vasi e la zona foveale centrale tracciati automaticamente, vedere le principali caratteristiche numeriche e ottenere una previsione istantanea se una scansione somiglia a quelle dei pazienti con Parkinson. Poiché il sistema si basa su misure definite a mano e chiaramente spiegabili piuttosto che su una “scatola nera” opaca, i contributi a ciascuna decisione sono più facili da interpretare per i clinici e potenzialmente riconducibili a processi biologici sottostanti.

Cosa significa per i pazienti

Questo lavoro non offre ancora un test autonomo per il Parkinson, ma mostra che una rapida scansione oculare non invasiva, analizzata con metodi di machine learning progettati con cura, può rilevare cambiamenti correlati alla malattia con elevata sensibilità. In pratica, uno strumento del genere potrebbe un giorno essere usato come ausilio di screening—aiutando oculisti e neurologi a decidere chi monitorare più da vicino o a cui inviare ulteriori valutazioni molto prima della comparsa di sintomi invalidanti. Sono necessari studi più ampi e multicentrici, ma lo studio suggerisce che gli occhi potrebbero effettivamente fornire un segnale di allerta precoce pratico per il morbo di Parkinson.

Citazione: Hasanshahi, M., Mehdizadeh, A., Mahmoudi, T. et al. An ensemble machine learning classifier for Parkinson’s disease diagnosis using optical coherence tomography angiography. Sci Rep 16, 7297 (2026). https://doi.org/10.1038/s41598-026-38407-9

Parole chiave: morbo di Parkinson, imaging retinico, OCTA, machine learning, diagnosi precoce