Notizie
Tumore al seno: formazione scolastica carente e scarsa evidenza sugli interventi educativi
Il dibattito sull’ottimizzazione dello screening del carcinoma mammario si arricchisce di nuove evidenze grazie a uno studio clinico […]
Utilizzo dell’intelligenza artificiale nella previsione del rischio del cancro gastrico basata sul microbioma
Il tumore gastrico (GC) rimane un onere significativo per la salute globale, con un’elevata mortalità dovuta alla diagnosi tardiva. I progressi nella profilazione del microbioma e nell’intelligenza artificiale (IA) hanno aperto nuove frontiere nella previsione non invasiva del rischio di cancro. Tuttavia, il panorama metodologico della previsione del GC basata sul microbioma e guidata dall’IA rimane frammentato e scarsamente standardizzato.
Aida Azhdarimoghaddam e i suoi collaboratori hanno eseguito una revisione sistematica con l’obiettivo di valutare in modo sistematico e critico gli studi che hanno applicato intelligenza artificiale(AI)/machine learning (ML) a dati microbiomici (da mucosa gastrica, intestino, saliva, lingua, tessuto tumorale) per la previsione, diagnosi o stratificazione del rischio di carcinoma gastrico; inoltre, mappare il rigore metodologico, la readiness traslazionale e la convergenza di biomarcatori microbici tra gli studi. Sono stati esplorati con attenzione i database PubMed, Scopus e Web of Science alla ricerca di lavori pertinenti sottoposti a revisione tra pari pubblicati fino a marzo 2025.
Sono stati ritenuti idonei studi che hanno applicato modelli di ML o deep learning a set di dati del microbioma per la diagnosi di GC, per la classificazione del rischio o per la risposta al trattamento. L’estrazione dei dati ha incluso la fonte del campione, il metodo di sequenziamento, la risoluzione tassonomica, il tipo di modello ML, la strategia di validazione, le metriche di prestazione, gli strumenti di interpretabilità e i taxa microbici riportati. La sintesi descrittiva, il clustering tematico e il punteggio di prontezza sono stati condotti utilizzando analisi visive strutturate. Alla fine, gli esperti hanno selezionato 9 documenti che hanno soddisfatto i criteri di inclusione.
I dati mostrano una predominanza dell’approccio 16S rRNA (55,6%) con analisi condotte prevalentemente a livello di genere (55,6%), indicando una diffusione di studi con risoluzione tassonomica limitata che può ridurre la capacità di identificare specie o tratti funzionali rilevanti per la biologia del carcinoma gastrico. Il Random Forest è l’algoritmo più utilizzato (44,4%), seguito da LASSO, LightGBM e deep learning. I valori di AUC variano da 0,88 a 0,97 nei modelli validati. Tuttavia, solo il 33,3% degli studi ha impiegato la validazione esterna e, quindi, gli standard di interpretabilità e rendicontazione variano ampiamente. Una valutazione della qualità della validazione ha evidenziato lacune traslazionali chiave. I biomarcatori microbici ricorrenti includono Veillonella, Fusobacterium, Prevotella e Porphyromonas.
Gli Autori concludono che i modelli di microbioma basati sull’IA, compresa la diagnostica non invasiva, mostrano un elevato potenziale per la previsione del tumore gastrico. Tuttavia, la riproducibilità, la validazione esterna e la trasparenza della rendicontazione rimangono barriere critiche per l’implementazione clinica. Pipeline standardizzate, integrazione multi-omica e validazione prospettica sono necessarie per far progredire questo campo dal proof-of-concept all’oncologia di precisione.
Fonte: Biomed Eng Online. 2025
https://link.springer.com/article/10.1186/s12938-025-01487-1
