Il progetto AI-BRAIN per i tumori rari del cervello

Pur essendo il più diffuso tra i tumori cerebrali primitivi, il glioma resta una patologia tutt’altro che frequente nella popolazione generale: proprio la sua rarità è il primo ostacolo alla ricerca. Parliamo di un’incidenza di circa 7 casi ogni 100mila persone, e a Udine, dove pure esiste una neurochirurgia di riferimento, i pazienti trattati ogni anno si contano a decine, non a migliaia.

Da questo scarto nasce AI-BRAIN, progetto Interreg Italia-Austria che, con un budget di 784.611 euro e per una durata di due anni, unisce cinque partner: capofila è l’Azienda Sanitaria Universitaria del Friuli Centrale, insieme al Centro di Riferimento Oncologico di Aviano, l’Università Medica di Innsbruck, il Fraunhofer Austria Research e la triestina PLUS.

Partito a gennaio 2026 e presentato ufficialmente lo scorso 7 luglio, il progetto punta a implementare lo studio dei tumori cerebrali mediante biobanking guidato dall’intelligenza artificiale. Ne abbiamo parlato con il professor Antonio Paolo Beltrami, direttore scientifico del progetto.

Un problema di scala, prima ancora che di tecnologia

«Se la popolazione di partenza è già molto eterogenea, per avere un campione rappresentativo serve un numero ampio di casi. E quando i casi sono pochi, arrivarci è difficile» spiega Beltrami. Non è un caso, ricorda, che gli studi più solidi sulla genetica dei gliomi siano quasi sempre frutto di collaborazioni internazionali che mettono insieme più centri. Innsbruck, dall’altra parte del confine, è un riferimento per la neuropatologia e la neurochirurgia: unire le due esperienze significa già allargare la base di pazienti su cui ragionare.

È qui che si inserisce il cuore del progetto, una rete di biobanche transnazionali. «Le biobanche sono unità di servizio» precisa Beltrami. «Di per sé non fanno ricerca: raccolgono in maniera ottimale materiali e dati, per renderli disponibili ai ricercatori che ne facciano richiesta motivata». Ogni campione, aggiunge, porta con sé una storia clinica che può cambiarne il significato: un paziente operato all’esordio della malattia non è equiparabile a chi ha subito una seconda operazione per una recidiva. Sapere questo, e saperlo in modo sistematico, è ciò che rende un campione davvero utile alla ricerca.

Dove entra l’intelligenza artificiale

Il problema è che queste informazioni esistono già, ma sono intrappolate nelle cartelle cliniche e nelle lettere di dimissione, scritte in prosa discorsiva e non in un formato consultabile. «L’ambizione è utilizzare modelli linguistici per estrapolare da queste lettere le informazioni che ci servono, in modo da arricchire il dato relativo ai campioni» racconta Beltrami. A lavorare su questo fronte sono PLUS, società triestina specializzata in dati e intelligenza artificiale, e Fraunhofer, centro austriaco di ricerca applicata.

C’è poi un secondo utilizzo dell’intelligenza artificiale, legato all’analisi dei dati omici.

«La statistica classica ha bisogno di un numero molto elevato di casi per dare risultati affidabili» spiega Beltrami. «Quando invece ho pochi campioni, ma studiati in profondità con metodiche omiche, servono altri strumenti, che vadano a cercare associazioni tra alcuni parametri e, per esempio, l’andamento della malattia». In questo caso il machine learning non lavora sulle cartelle cliniche, ma sui dati di laboratorio ricavati da sangue e tessuti, alla ricerca di biomarcatori.

Il codice che non esce dall’ospedale

Condividere dati clinici sensibili tra due paesi solleva, inevitabilmente, la questione della privacy. «Siamo tutti regolamentati dal GDPR, sia noi che loro» ricorda Beltrami. «È uno strumento impegnativo, ma tutela il paziente». Durante il processo di raccolta i campioni vengono pseudonimizzati: l’associazione tra dati identificativi e materiale biologico resta solo alla biobanca, che può eventualmente ricontattare il paziente, mentre al ricercatore arriva un campione identificato da un codice da cui è impossibile risalire alla persona.

Un’ulteriore garanzia riguarda proprio i modelli linguistici usati per leggere le lettere di dimissione: girano su macchine locali, dentro l’azienda sanitaria, e il database della biobanca è ospitato all’interno dell’infrastruttura informatica gestita da Insiel, la società della regione Friuli Venezia Giulia che si occupa di sanità digitale. I dati clinici, insomma, non transitano mai su internet, nel rispetto del GDPR e dell’AI Act europeo. «L’intelligenza artificiale, temuta da molti, in un ambiente controllato può essere invece un modo per tutelare il paziente, più di quanto lo tuteli una trascrizione manuale, dove l’errore umano può sempre accadere» osserva Beltrami.

Tre biobanche, un solo standard

Mettere in rete tre biobanche, quella dell’Azienda Sanitaria Universitaria Friuli Centrale, quella del Centro di Riferimento Oncologico di Aviano e la Brain Tumor Biobank di Innsbruck, significa anche confrontarsi con abitudini diverse, a volte per ragioni puramente logistiche. «Loro hanno le sale operatorie attaccate all’istituto di patologia: in cinque minuti il campione arriva in anatomia patologica» racconta Beltrami, riferendosi a Innsbruck. «Noi abbiamo un padiglione da una parte e uno dall’altra: sarà impossibile arrivare in cinque minuti, ma possiamo cercare di capire se sia davvero indispensabile rispettare tempistiche così ridotte».

Non tutto lo scambio va in una direzione sola: Innsbruck pratica già la biopsia liquida, l’analisi del genoma tumorale a partire dal liquido cerebrospinale, tecnica che a Udine non è ancora in uso. «L’obiettivo è imparare quello che una biobanca fa meglio dell’altra, mettere a frutto la lezione e uniformare gli standard dove possibile».

La pazienza per identificare biomarcatori

Sul fronte più sperimentale, quello dell’analisi proteomica e del sequenziamento nanopore su campioni di sangue, Beltrami invita alla cautela. «Un biomarcatore, prima di arrivare in clinica, passa attraverso una fase di scoperta, una di verifica e una di validazione, su un numero di pazienti via via più ampio» spiega. Il machine learning aiuta soprattutto nelle prime due fasi, separando il campione in un sottoinsieme di scoperta e uno di test.

Ma quanto emerge da questo percorso dovrà comunque essere validato su una coorte indipendente più ampia, per arrivare i identificare biomarcatori realmente affidabili. «Il progetto dura due anni: non è un’infinità di tempo. Probabilmente ne servirà un altro per arrivare a quella validazione su numeri più larghi» ammette, senza reticenze, lo scienziato.

Un patrimonio per il futuro

È in questa prospettiva di lungo periodo che Beltrami colloca il senso ultimo di AI-BRAIN. «La nostra ambizione è creare una federazione di biobanche, che raccolga campioni di ottima qualità per studi non solo nostri, ma anche di altri gruppi che vogliono validare i propri risultati» racconta. Un patrimonio che non produce benefici immediati, ma che resta a disposizione per essere interrogato negli anni a venire.

«Se individuiamo un biomarcatore, possiamo tornare a prendere i campioni di dieci anni fa e verificare se distingueva davvero i pazienti sopravvissuti da quelli che non ce l’hanno fatta». Non una promessa di cura imminente, dunque, ma la costruzione, paziente e concreta, degli strumenti che permetteranno di formularla.