Progetto LiverMapAI

Si crede spesso che le malattie siano definibili in modo chiaro e netto, ma di frequente la realtà è molto diversa. I medici e i ricercatori si affannano a “tagliare con l’accetta” (o meglio, “con il bisturi”…) i limiti e i confini delle malattie, ma nella realtà clinica quello che succede è che un paziente può mostrare delle caratteristiche sia di una malattia che di un’altra. In questi casi in medicina si utilizza spesso il termine inglese “overlap”, sovrapposizione, ad indicare appunto la presenza concomitante di aspetti attribuiti a condizioni distinte nelle classificazioni a priori, o “variante”, ad indicare che il paziente presenta degli aspetti clinici atipici o misti rispetto alle classificazioni disponibili. Di sindromi da overlap/variante ne esistono in molte specialità mediche, incluse le malattie del fegato.

Negli ultimi due anni ho coordinato un consenso internazionale tra i massimi esperti al mondo per ridefinire una di queste condizioni complesse: quella in cui convivono nello stesso paziente due malattie rare e autoimmuni del fegato, la colangite biliare primitiva e l’epatite autoimmune. I risultati, pubblicati a luglio 2026 sulla rivista Hepatology, sono stati un passo avanti importante. Ma resta un limite di fondo: si basano sul giudizio di centinaia di specialisti, non su nuovi dati scientifici.

È proprio questo limite ad aver dato origine a LiverMapAI, il progetto di ricerca che ho iniziato come Principal Investigator il 1° luglio 2026 all’Università di Milano-Bicocca. Tale progetto è stato selezionato e finanziato nel contesto del bando competitivo Starting Grant - Fondo Italiano Scienza (FIS2) del Ministero dell’Università e della Ricerca, che finanzia ricercatori emergenti con un budget da 1,2 a 1,5 milioni di euro. L’idea è semplice da enunciare e ambiziosa da realizzare: usare l’intelligenza artificiale per ripensare da capo la classificazione delle malattie epatiche autoimmuni e del danno epatico da farmaci e prodotti erboristici (DHILI, Drug- and Herbal-Induced Liver Injury), partendo non più solo dal parere degli esperti ma dai dati stessi.

Perchè includere anche la DHILI nello studio? Perchè è un problema di salute pubblica, che rappresenta una delle cause più comuni di interruzione dello sviluppo di nuovi farmaci. Inoltre la DHILI può manifestarsi con quadri clinici molto simili a quelli autoimmuni. Ad oggi mancano strumenti capaci di prevedere in anticipo quali pazienti sono a rischio di DHILI e come distinguere le forme di DHILI simil-immuni dalle reali malattie autoimmuni del fegato. La conseguenza diretta di una errata diagnosi è che alcuni pazienti ricevono farmaci immunosoppressori di cui non hanno bisogno, mentre altri che ne avrebbero bisogno li ricevono troppo tardi, con un danno epatico che nel frattempo è diventato irreversibile.

Il progetto LiverMapAI lavora su due fronti. Il primo è raccogliere, con le tecniche più moderne, informazioni dettagliate su pazienti con quadri clinici tipici e su quelli con quadri più sfumati o atipici. Il secondo è affidare all’intelligenza artificiale, in modo trasparente e verificabile, il compito di leggere insieme le immagini della biopsia epatica, la cartella clinica del paziente, i suoi geni e le analisi molecolari più avanzate sul tessuto, per far emergere pattern che oggi restano invisibili. Le immagini della biopsia, in particolare, sono oggi osservate al microscopio in modo perlopiù qualitativo: custodiscono probabilmente molta più informazione di quanta un occhio umano riesca a cogliere. È lì che un algoritmo può fare la differenza.