Oggi per la nuova puntata dello Scientifica Journal, abbiamo come ospite Noemi Sgambelluri, laureata in Fisica presso l’Alma Mater Studiorum – Università di Bologna.

Noemi è anche una delle vincitrici di Thesis, il programma di Scientifica Venture Capital volto a promuovere la cultura STEM.

Noemi ci racconterà, attraverso la sua esperienza, di come l’Intelligenza Artificiale sta rivoluzionando il settore dell’imaging cerebrale.

Ciao Noemi, benvenuta e ancora complimenti per la tua vittoria di Thesis! Ci puoi raccontare come è iniziato il tuo percorso di ricerca e cosa ti ha spinto a concentrarti sull’Intelligenza Artificiale applicata alla risonanza magnetica?

Certamente. Dopo essermi laureata in Fisica ed aver concluso la magistrale in Fisica Applicata, ho deciso di proseguire la mia carriera studiando le applicazioni dell’Intelligenza Artificiale nel campo della risonanza magnetica.

Questa scelta è stata dettata dalla volontà di impattare direttamente sulla vita delle persone, migliorando il mondo della sanità.

Tra l’altro durante il mio periodo di ricerca all’Università di Oxford, ho potuto sperimentare personalmente le potenzialità dell’AI in questo settore, in particolare nell’ambito del Neuroimaging. Lavorare su questi temi mi ha permesso di vedere da vicino come l’AI sta rivoluzionando il modo in cui le diagnosi vengono effettuate, aumentando la precisione e riducendo i tempi di acquisizione delle immagini.

In particolare, ti sei occupata di un’area specifica: la risonanza magnetica cerebrale pesata in diffusione. Puoi spiegarci di cosa si tratta e come l’Intelligenza Artificiale entra in gioco in questo contesto?

La risonanza magnetica pesata in diffusione, o dMRI, è una tecnica introdotta nel 1985 che permette di studiare il movimento delle molecole d’acqua lungo diverse direzioni all’interno del corpo, particolarmente utile nel cervello.

Possiamo immaginare il cervello come un agglomerato di città (i neuroni) collegate da “autostrade” lungo cui si muovono le molecole d’acqua. La dMRI traccia questo moto, quasi come un GPS, ed è molto sensibile a lesioni e patologie come l’Alzheimer o la sclerosi multipla. Tuttavia, la sua complessità porta a lunghi tempi di acquisizione, che ne ostacolano l’uso in clinica.

L’AI può davvero fare la differenza qui. Modelli come le Generative Adversarial Networks (GAN) possono imparare velocemente le caratteristiche dei segnali di diffusione e predire i dati mancanti, riducendo il numero di misurazioni necessarie. Questo non solo velocizza l’acquisizione, ma migliora anche la qualità delle immagini, grazie a vari algoritmi di deep learning che ricostruiscono immagini da dataset incompleti e le ripuliscono da rumore e artefatti.

Molto interessante. Quindi l’Intelligenza Artificiale non solo velocizza il processo, ma è anche uno strumento per migliorare la qualità delle immagini?

Esattamente. Oltre a ridurre i tempi di acquisizione, permette di ottenere immagini di alta qualità anche in contesti con risorse limitate, rendendo la tecnologia più accessibile. Un esempio interessante è lo studio DeepDTI, che utilizza una rete neurale convoluzionale per ricostruire immagini di diffusione da dati sottocampionati, riducendo il tempo di acquisizione fino al 50% senza compromettere la qualità delle immagini.

Nel settore sanitario, l’AI non solo ha un potenziale incredibile per migliorare la diagnosi clinica ma sta anche aprendo la strada verso una democratizzazione della tecnologia, promettendo di rendere accessibili su larga scala strumenti che, fino a poco tempo fa, erano riservati a pochi.

Ci puoi spiegare meglio questo concetto di democratizzazione della tecnologia?

In un mondo in cui gli scanner di RM di ultima generazione possono costare milioni di euro, l’AI è un’opportunità per migliorare le prestazioni anche in contesti con risorse limitate. Nei piccoli ospedali dotati di un solo scanner e tempi di utilizzo limitati, l’AI velocizza le acquisizioni, potenzia la qualità delle immagini e riduce complessivamente i costi, migliorando l’esperienza di medici e pazienti.

L’implementazione di soluzioni a basso costo per la RM è un dibattito ancora aperto. Quali sono le soluzioni in discussione oggi?

Negli ultimi 30 anni, gli scienziati hanno individuato nella low-field MRI, ovvero la RM a basso campo, una potenziale soluzione a questo problema. Questi scanner utilizzano magneti più semplici, riducendo i costi di installazione e manutenzione e con minori esigenze di infrastruttura. Recentemente, uno studio pubblicato su Science dal professore Ed Wu della Hong Kong University ha dimostrato che è possibile scannerizzare il corpo intero utilizzando un sistema a 0.05T, un grande passo verso la commercializzazione di un RM più economico e potenzialmente portatile. La sfida principale è la sensibilità delle immagini, ma i nuovi algoritmi di deep learning stanno già dimostrando la loro efficacia su questi sistemi. Migliorare questi aspetti, insieme alla riduzione dei costi e all’aumento dei benefici pratici, aumenterebbe la diffusione di questa tecnologia, rendendo la risonanza magnetica accessibile al restante 50% della popolazione.

Quali consigli daresti a chi sta intraprendendo un percorso di studi nel campo STEM?

Il mio consiglio è di guardare oltre la propria zona di comfort. Le grandi innovazioni avvengono spesso al margine tra discipline diverse. Lavorare in team multidisciplinari può davvero fare la differenza. Se potessi tornare indietro nel mio percorso accademico, vivrei l’università in modo più attivo, cogliendo ogni opportunità e vedendo il fallimento non come un ostacolo, ma come un momento di crescita. In fin dei conti, la scienza è fatta di tentativi e la capacità di apprendere dagli errori è cruciale per innovare.