AI4ChemoBrain - Un modello di machine learning/artificial intelligence per la medicina personalizzata: sviluppo di un dimostratore predittivo del disturbo cognitivo in corso di chemioterapia basato su dati omici e fenotipici subject-derived.

Il termine “chemobrain” indica un deterioramento cognitivo ad oggi ancora poco caratterizzato, che insorge nella maggioranza dei pazienti durante e dopo la chemioterapia, si crede come conseguenza di infiammazione sistemica e disbiosi intestinale. Il progetto ha come scopo la generazione di un dimostratore predittivo dell’insorgenza di chemobrain, ad uso clinico, basato su un modello di machine learing/artificial intelligence addestrato e validato con data set preclinici. Il modello ML/AI sarà istruito mediante l’utilizzo di dati storici descrittivi del declino cognitivo, la cui qualità è verificabile grazie alla completa tracciabilità del loro ciclo vitale, ottimizzandone il valore. Il modello ML/AI sarà poi validato mediante l’utilizzo di data set raccolti da modelli murini di chemobrain generati ad hoc per il progetto. L’approccio “data-driven” sfruttato dal modello ML/AI sarà inoltre validato mediante analisi parallela di tutti i data set con statistica convenzionale (“approccio hypotesis-oriented”).

L’obiettivo finale è la traslazione alla clinica del modello preclinico, con il rilascio di un dimostratore ML/AI predittivo della condizione chemobrain nei pazienti oncologici al fine di promuovere terapie adiuvanti sfruttabili anche nell’ottica della “personalized medicine”.

Il progetto prevede lo sviluppo di un modello predittivo del declino cognitivo basato su tecniche di apprendimento supervisionato e non supervisionato con metodiche ML/AI, utilizzando diversi data set nelle 3 fasi:

1. Addestramento del modello ML/AI: dati storici di fenotipo cognitivo e dati omici; tecnica di apprendimento supervisionato.
2. Test del modello ML/AI: data set derivato da modello murino preclinico di chemobrain specificamente prodotto per questo studio. Confronto con statistica convenzionale e tecniche di apprendimento non supervisionato.
3. Validazione del modello ML/AI utilizzando:
   - data set derivato da un secondo modello preclinico chemobrain (coorte interna IRET);
   - data set derivato da una coorte esterna (BIOPHARMANET-TEC).

La combinazione dei data set consentirà di studiare il contributo di ciascun descrittore rispetto alle capacità predittive del modello. Per superare eventuali problematiche legate alla disponibilità di grandi dataset nell’ambito del chemobrain potranno essere utilizzate tecniche di data augmentation, transfer learning e fine-tuning al fine di migliorare le capacità predittive del modello ML/AI. Il prodotto finale sarà un dimostratore (software) TRL6 che utilizzerà il modello ML/AI predittivo sopra sviluppato e validato (TRL4 e TRL5).