L’integrazione tra algoritmi di machine learning e analisi del DNA libero circolante (cfDNA) apre nuove prospettive per l’identificazione precoce delle patologie oncologiche. Una meta-analisi pubblicata sull’European Journal of Cancer nel 2026 ha evidenziato l’elevata accuratezza di questi modelli computazionali nel distinguere pazienti con tumori in stadio I-III da soggetti sani, con valori di specificità costantemente elevati e livelli di sensibilità variabili ma promettenti.
Lo studio ha preso in esame 109 articoli scientifici selezionati da database internazionali, con l’obiettivo di valutare le performance diagnostiche delle tecniche di machine learning applicate a diverse tipologie tumorali. Gli studi inclusi riguardavano soprattutto neoplasie del polmone, del fegato, del colon-retto, della mammella e del pancreas, oltre a tumori dell’ovaio, dell’esofago e dello stomaco, casistiche di testa-collo e popolazioni con tumori misti.
I risultati mostrano una specificità elevata, compresa tra il 94% e il 99%, indipendentemente dal tipo di tumore o dallo stadio clinico. La sensibilità varia invece in relazione alla progressione della malattia: 72%-92% negli stadi I-III, 44%-91% nello stadio I, 71%-98% nello stadio II e 83%-99% nello stadio III.
Dal confronto tra le diverse architetture di intelligenza artificiale, le reti neurali hanno mostrato la sensibilità più alta, pari al 90% (IC 95%: 81%-95%), seguite dai modelli Random Forest, con l’86% (IC 95%: 77%-92%), e dai sistemi di ensemble learning eterogeneo, con l’85% (IC 95%: 79%-89%).
Un elemento rilevante riguarda anche la natura dei dati analizzati. La stratificazione per caratteristiche del classificatore ha indicato che l’analisi della frammentazione del DNA, o frammentomica, raggiunge una sensibilità superiore, pari all’86% (IC 95%: 80%-90%), rispetto alla metilazione, pari all’81% (IC 95%: 76%-85%), mantenendo in entrambi i casi una specificità compresa tra il 92% e il 96%.
Secondo gli autori, l’applicazione del machine learning alla profilazione del cfDNA rappresenta un passaggio significativo nello sviluppo di strategie diagnostiche meno invasive per l’oncologia. L’efficacia osservata nei metodi ensemble e nelle reti neurali, insieme alla sensibilità dei tratti frammentomici, indica una possibile direzione per futuri test di screening precoce, pur richiedendo ulteriori validazioni prospettiche e conferme in contesti clinici real-world.
Fonte: European journal of cancer, 2026
https://www.ejcancer.com/article/S0959-8049(26)00479-X/fulltext
