Il microbioma intestinale come strumento di prevenzione del tumore al colon-retto
L’Università di Bari utilizza l’intelligenza artificiale per predire il rischio di tumore al colon-retto con una precisione dell’89%.
Il microbioma intestinale può diventare un indicatore precoce del rischio di tumore al colon-retto, aprendo la strada a test di screening personalizzati e non invasivi basati sull’intelligenza artificiale. È quanto emerge da uno studio condotto congiuntamente dall’Università Aldo Moro di Bari — attraverso il Dipartimento Interuniversitario di Fisica e il Dipartimento di Scienze del Suolo, della Pianta e degli Alimenti — in collaborazione con l’Università di Firenze e l’Istituto Nazionale di Fisica Nucleare.
Lo studio congiunto tra UniBa, Firenze e INFN
La ricerca, nata all’interno di un progetto finanziato dal Pnrr, è stata coordinata dalla docente dell’Università di Bari, Sabina Tangaro, e pubblicata sulla rivista internazionale Gut Microbes, punto di riferimento mondiale per gli studi sul microbioma intestinale. Il lavoro si basa sull’impiego della cosiddetta “intelligenza artificiale spiegabile” (XAI), una tecnologia che consente di comprendere e interpretare i risultati prodotti dagli algoritmi di intelligenza artificiale.
Dalla colonscopia all’intelligenza artificiale: una svolta per la diagnosi precoce
Attualmente, la colonscopia rappresenta il principale metodo diagnostico per individuare il rischio di tumore al colon-retto. Tuttavia, si tratta di un esame invasivo, che spesso scoraggia la partecipazione della popolazione agli screening. Il nuovo studio propone un approccio alternativo basato sull’analisi dei profili microbici intestinali mediante l’intelligenza artificiale, offrendo una possibile rivoluzione nella prevenzione di questa patologia.
Risultati promettenti: precisione dell’89% nel riconoscere i casi a rischio
Il team di ricerca ha analizzato dati di sequenziamento genetico ottenuti da campioni di 453 pazienti, con l’obiettivo di identificare biomarcatori microbici in grado di predire la presenza di adenomi o di tumori. Il modello sviluppato ha raggiunto un livello di accuratezza pari all’89%, dimostrando un’elevata capacità di individuare correttamente i casi realmente a rischio e di ridurre al minimo i falsi positivi.
