Quantificazione precisa dell’eterogeneità e della progressione della malattia nella MSA e nel morbo di Parkinson mediante apprendimento automatico

Perché è importante per le persone con disturbi del movimento

Le persone che vivono con il morbo di Parkinson o con l’atrofia multisistemica (MSA) spesso affrontano anni di incertezza, perché le due condizioni possono apparire molto simili in ambito clinico pur seguendo percorsi molto differenti. Questo studio esplora come metodi informatici avanzati applicati alle immagini cerebrali possano aiutare i medici a distinguere queste malattie precocemente, comprendere come variano da persona a persona e monitorare come si evolvono nel tempo.

Osservare il cervello per indizi più chiari

Il morbo di Parkinson e la MSA comportano entrambi un accumulo anomalo di una proteina chiamata alfa‑sinucleina, ma danneggiano parti diverse del cervello. Il Parkinson colpisce principalmente una regione profonda che produce dopamina, mentre la MSA interessa reti più estese, incluso il cervelletto, il tronco encefalico e i circuiti motori. Nelle normali immagini MRI queste differenze possono essere sottili, soprattutto nelle fasi iniziali, e molte persone con MSA vengono inizialmente diagnosticate per errore come affette da Parkinson. I ricercatori hanno usato due tipi di MRI — scansioni strutturali che mostrano forma e volume cerebrale, e scansioni di diffusione che rivelano lo stato delle fibre della sostanza bianca — per cercare pattern più precisi e specifici per paziente.

Addestrare i computer a riconoscere pattern nascosti

Il team ha studiato 17 volontari sani, 27 persone con MSA (suddivise in sottotipi cerebellare e parkinsoniano) e 15 con Parkinson, seguiti ciascuno fino a quattro visite annuali. Hanno suddiviso il cervello in dozzine di regioni e misurato il volume locale e due proprietà di diffusione che riflettono come l’acqua si muove lungo le fibre nervose. Queste misurazioni sono state immesse in diversi modelli di apprendimento automatico, addestrati a svolgere un compito semplice: decidere se una scansione provenisse da una persona con MSA o con Parkinson. Per evitare l’overfitting su una patologia rara, gli autori hanno usato una convalida incrociata accurata, hanno ripetuto l’addestramento molte volte e hanno confrontato cinque famiglie di algoritmi prima di scegliere i migliori performer.

Da scansioni complesse a un unico punteggio personale

Piuttosto che fermarsi a una diagnosi computerizzata binaria, gli autori volevano un numero che catturasse quanto il cervello di una persona mostrasse il segnale tipico della MSA rispetto al Parkinson. Hanno utilizzato un metodo di IA interpretabile chiamato SHAP, che suddivide ogni decisione del modello in contributi provenienti da ciascuna regione cerebrale. Questi contributi sono serviti come pesi, evidenziando le aree ritenute più informative dal modello. Combinando i pesi con le misurazioni MRI effettive su tutte le regioni, hanno creato tre punteggi di “eterogeneità” (HET) — uno per il volume cerebrale e uno per ciascuna delle due misure di diffusione. Ciascun punteggio HET riduce un complesso schema di cambiamenti in tutto il cervello a un unico valore riassuntivo per ogni persona e visita.

Riconoscere il tipo di malattia e i cambiamenti nel tempo

I nuovi punteggi HET hanno fatto più che replicare i marcatori MRI esistenti. Hanno classificato MSA vs Parkinson almeno altrettanto bene, e spesso meglio, di un indice di atrofia ampiamente usato che si concentra su alcune regioni chiave. È importante che HET abbia funzionato particolarmente bene nel separare la forma parkinsoniana della MSA dal morbo di Parkinson, una distinzione notoriamente difficile con le scansioni standard. Quando i ricercatori hanno osservato i dati nel tempo, le variazioni dei punteggi HET su un anno hanno seguito il peggioramento clinico misurato da una scala standard per la MSA meglio di semplici misure di riduzione cerebellare. Mappe regione per regione di HET hanno inoltre ricostruito i pattern noti di danno nella MSA, come la degenerazione dei circuiti cerebellari e del tronco encefalico, rivelando al contempo un coinvolgimento più esteso delle vie della sostanza bianca frontale e limbica e delle connessioni tra gli emisferi cerebrali.

Cosa potrebbe significare per i pazienti e per l’assistenza

Per un non specialista, il messaggio principale è che un’analisi più intelligente dei dati MRI di routine può trasformare segnali sparsi di danno in tutto il cervello in un unico punteggio comprensibile che riflette quanto il profilo di una persona sia “simile alla MSA” e quanto rapidamente stia cambiando. Questo approccio non cura la malattia e richiede ancora conferme su gruppi più ampi, ma offre uno strumento promettente per una diagnosi più precoce e accurata, un monitoraggio migliore della progressione e test più sensibili di nuovi trattamenti negli studi clinici. Riconoscendo che i cervelli dei pazienti non cambiano mai esattamente nello stesso modo, il framework HET avvicina il campo a una cura veramente personalizzata per i disturbi del movimento.

Citazione: Gebre, R.K., Raghavan, S., De Tora, M.E.J. et al. Precise disease heterogeneity and progression quantification in MSA and Parkinson’s disease using machine learning. Sci Rep 16, 10579 (2026). https://doi.org/10.1038/s41598-026-45949-5

Parole chiave: atrofia multisistemica, morbo di Parkinson, risonanza magnetica cerebrale, apprendimento automatico, biomarcatori