“Nella diagnosi conta il cambiamento, non la singola fotografia”. Intervista al Professor Riccardo Lattanzi

New York. Nell’edificio che ospita il Center for Biomedical Imaging la ricerca e la cura convivono a pochi metri (verticali) di distanza. Ci sono quattro risonanze magnetiche, due riservate alla ricerca, e un ambulatorio dove i pazienti arrivano per i loro esami. Ai piani bassi lavorano fisici, ingegneri e radiologi. Tra le macchine c’è un 7 tesla, l’unico oggi attivo a New York, e un Connectome 2.0, uno scanner per lo studio del cervello con gradienti oltre dieci volte più potenti di quelli clinici.

Il centro è diretto da Riccardo Lattanzi, Professore ordinario alla New York University, e riunisce circa 160 persone, tra cui 35 docenti. È (forse) il più grande degli Stati Uniti dedicato quasi interamente alla risonanza magnetica.

Lattanzi si è laureato in Ingegneria elettronica a indirizzo biomedico a Bologna e ha cominciato a fare ricerca all’Istituto ortopedico Rizzoli, lavorando a un software per pianificare gli interventi di protesi d’anca. Una borsa Fulbright lo ha portato alla Carnegie Mellon University di Pittsburgh. Poi il dottorato nel programma congiunto tra Harvard e MIT: quasi trenta esami tra ingegneria e medicina e dodici settimane in corsia, in medicina interna. «Lì ho imparato quali sono i problemi dei medici e soprattutto il loro linguaggio. Mi è servito moltissimo». Dal 2010 insegna alla NYU.

Professor Lattanzi, una delle direzioni principali della vostra ricerca è rendere la risonanza magnetica più veloce. Perché è così lenta?

Chi ha fatto una risonanza sa che è un esame fastidioso: c’è rumore e, soprattutto, è lento. Con una TAC si entra e si esce in pochi secondi, qui servono minuti. All’inizio la risonanza funzionava un po’ come un fax: arrivava una linea alla volta e, finché non le avevi tutte, l’immagine non c’era. Poi è arrivata la risonanza parallela. Si usano più bobine, cioè le antenne che ricevono il segnale, collocate in posizioni diverse. Avendo dati da più punti di vista si possono saltare alcune linee e ricostruirle in un secondo momento.

Il paziente, durante l’esame, sente il rumore fermarsi e ripartire. Nel referto legge “sequenza FLAIR assiale”, “sequenza T2”… cosa succede in quelle pause?

Ogni pausa separa una sequenza dall’altra. La TAC è in sostanza una radiografia tomografica e misura solo la densità dei tessuti. Nella risonanza, invece, usiamo impulsi a radiofrequenza per manipolare il comportamento degli atomi e ottenere contrasti diversi. La sequenza è il software che pilota la macchina: ognuna produce un contrasto o un orientamento diverso, per questo un esame ne contiene diverse.

Quanto siete riusciti ad accelerare?

Da noi un esame completo del ginocchio, con cinque sequenze, richiede meno di cinque minuti. Quando sono arrivato, quindici-sedici anni fa, ne servivano 20 o 25. Un esame di base del cervello lo facciamo in sei o sette minuti. È il risultato di più fattori insieme: un hardware migliore, sequenze ottimizzate per acquisire il minimo di dati necessario e una matematica della ricostruzione che ottiene la stessa immagine partendo da meno informazioni. È un po’ il contrario di un JPEG. Lì hai l’immagine intera e la comprimi; qui parti dai dati compressi e devi risalire all’immagine originale senza perdere dettagli.

Ridurre i tempi non è solo una questione di comfort.

No. Oggi la risonanza è un esame di secondo o terzo livello perché costa. Ma costa soprattutto perché più di un certo numero di esami al giorno non se ne possono fare. Eppure, dà quasi sempre più informazioni della TAC, e senza radiazioni ionizzanti. In teoria, l’obiettivo della nostra comunità è proprio sostituire la TAC con la risonanza. Per riuscirci bisogna renderla competitiva in velocità.

Quanto pesa, in tutto questo, l’Intelligenza artificiale?

Per accelerare l’esame e ricostruire le immagini da pochi dati l’uso dell’Ia è già una realtà nei prodotti di quasi tutti i grandi produttori. Poi c’è l’elaborazione delle immagini. Prima era molto difficile delimitare automaticamente il cuore, i ventricoli o altre strutture anatomiche. Con le reti di deep learning, a partire dalla U-Net – una delle prime diventate famose – il problema è stato in pratica risolto: bastano pochi dati preparati dai radiologi per addestrare reti molto accurate. Misure come il volume di un tumore diventano così più affidabili. La frontiera successiva è passare direttamente dall’immagine al referto. Ci si lavora soprattutto sulle radiografie, perché sono tantissime.

E chi firma un referto scritto da una macchina?

Lo scopo non è eliminare il radiologo, ma aiutarlo. Spesso un esame viene letto da due radiologi: uno referta, l’altro controlla. Sostituirne uno con una macchina sarebbe un bel vantaggio, anche perché i radiologi scarseggiano. Noi ci stiamo lavorando. Intanto abbiamo introdotto nella pratica clinica un modello che aiuta il radiologo a riconoscere i tumori al seno nelle mammografie, e ha consentito di individuare un paio di tumori in più ogni mille esami. Sembra poco, ma sui nostri volumi non lo è.

Affidare la ricostruzione agli algoritmi comporta dei rischi?

Sì. Un algoritmo può produrre un’immagine che sembra perfetta ma che ha scambiato per rumore una patologia, e l’ha cancellata per rendere l’immagine più “bella”. In certe malattie pochi pixel sono proprio l’alterazione che cerchiamo. C’è molto lavoro da fare per garantire che non vengano tolti dettagli importanti e che nella ricostruzione non ci siano allucinazioni.

La diagnostica può diventare uno strumento di prevenzione? Si può parlare di screening?

Preferiamo parlare di “sorveglianza”, surveillance. “Screening” si porta dietro il problema dei falsi positivi; la sorveglianza osserva il cambiamento. La diagnostica è sempre stata fatta come se ogni volta il paziente venisse visto per la prima volta. In realtà quasi tutti hanno già degli esami precedenti. Noi costruiamo modelli che usano quella storia per migliorare la diagnosi dell’ultimo esame. Alla fine conta il cambiamento, non il valore che hai in un singolo momento.

Un esempio concreto?

La prostata. È un tumore molto diffuso e il radiologo assegna un punteggio a ogni esame. I casi chiaramente benigni e quelli avanzati sono facili. Il problema è la fascia di mezzo, quando la lesione potrebbe essere benigna o maligna e bisogna decidere se fare la biopsia. Abbiamo dimostrato che, inserendo nel modello le informazioni degli esami precedenti (non solo immagini, anche dati clinici), con tre o quattro esami alle spalle la specificità arriva quasi al cento per cento. In pratica si eliminano i falsi positivi. Uno dei grandi sostenitori della risonanza quantitativa ripeteva che ogni biopsia è un esperimento di risonanza magnetica fallito: in teoria la risonanza dovrebbe caratterizzare la lesione e dirti se la biopsia serve oppure no. Ora lavoriamo a un monitoraggio nel tempo. Si fa una prima risonanza completa, poi controlli in cui si acquisiscono pochi dati, e il sistema risponde in modo binario: rifai l’esame completo, oppure aspetti sei mesi e ricontrolli.

State lavorando anche su macchine più economiche, da usare fuori dai grandi ospedali.

Sì, su risonanze a basso campo, economiche e veloci. L’immagine non deve essere bella come quella di una macchina convenzionale: deve dirci se c’è stato un cambiamento rispetto all’esame precedente. Funziona come un semaforo. Se si accende, vai a fare l’esame principale; altrimenti prosegui il monitoraggio. Noi abbiamo più di sessanta risonanze nel nostro sistema ospedaliero, ma non è una situazione tipica. Appena ci si allontana dalle grandi città, accedere agli esami diventa più difficile e molte persone non tornano per i controlli. Una risonanza a basso campo non ha bisogno di tutta la schermatura né di tanta potenza. La nostra idea è metterne una piccola e poco costosa anche nelle farmacie, che ti dica solo se devi andare in ospedale oppure no. Così si possono seguire le persone un po’ ovunque, evitare biopsie inutili e decine di risonanze fatte senza motivo, e garantire l’accesso a più persone.

Alto campo, basso campo: che cosa significa?

Il segnale è proporzionale all’intensità del campo magnetico. Le macchine cliniche sono in genere da 1,5 o 3 tesla. Nella ricerca si arriva a 11,7, con pochissimi esemplari al mondo, tra cui uno all’NIH e uno a Parigi, mentre nei Paesi Bassi si sta finanziando un 14 tesla. Sono magneti superconduttori: una risonanza consuma come una decina di case e non si spegne mai, perché riaccenderla costerebbe di più. Il campo allinea gli atomi dell’acqua del corpo, come tante piccole frecce, lungo l’asse del cilindro. Poi, con impulsi a radiofrequenza, li manipoliamo solo nella fetta di anatomia che ci interessa e ascoltiamo il segnale che restituiscono. Qui contano le bobine, di cui mi sono occupato nel dottorato: puoi sviluppare i metodi più avanzati, ma se la bobina non funziona bene il segnale è basso. Più bobine hai, più puoi scegliere tra velocità e risoluzione.

Un altro filone è la risonanza magnetica quantitativa. Di cosa si tratta?

Significa usare lo scanner non tanto per fare belle immagini, ma come uno strumento scientifico, quasi un microscopio, da cui estrarre misure. Non si ottengono più immagini ma mappe: i tempi di rilassamento T1 e T2, la densità dei protoni in ogni pixel. Sono proprietà intrinseche del tessuto, e negli anni si è chiarito bene a quali componenti biochimiche o biofisiche corrispondono. Quando cambiano, segnalano una patologia. La difficoltà è sempre stata misurarle in fretta e in modo affidabile. Se faccio esami periodici devo essere sicuro che un cambiamento sia reale, e non dovuto a uno scanner, a una bobina o a una sequenza diversa.

Lei ha cominciato dall’anca.

Sì, studiavo una deformazione del femore per cui l’articolazione non è più una palla perfetta dentro una coppa. In chi fa molto sport, con movimenti estremi, questo problema fa sì che il femore urti contro l’acetabolo e la cartilagine si rovini sempre di più. Si può operare per ricostruire l’anatomia, ma la cartilagine non si rigenera. Se è già degenerata, l’intervento toglie il dolore ma non ferma la strada verso l’artrosi e la protesi. Una cartilagine può sembrare intatta nella risonanza tradizionale, ma l’imaging quantitativo ci dice come sta la matrice di collagene e come stanno le componenti che degenerano per prime. Arriva prima che il danno sia visibile.

Il suo gruppo sta sperimentando anche il calcolo quantistico. Che cosa c’entra con la risonanza?

Per estrarre in fretta più parametri da un’unica acquisizione bisogna simulare il segnale con le equazioni di Bloch, il fisico premiato con il Nobel per la risonanza magnetica nucleare. Con i computer classici si costruisce una specie di dizionario: si simulano tutte le combinazioni possibili dei parametri. Poi, per ogni pixel, si cerca nel dizionario il segnale più simile a quello misurato e da lì si ricavano i parametri. Conoscevo alcuni ricercatori del Fermilab, vicino a Chicago, che si occupano di quantum computing. Una proprietà dei computer quantistici è il parallelismo: con pochi qubit si possono simulare tutte le combinazioni in un colpo solo. Abbiamo, quindi, implementato l’estrazione dei parametri con il calcolo quantistico. Poi i National Institutes of Health hanno lanciato una competizione sulle applicazioni del quantum computing alla salute. Abbiamo partecipato io, un postdoc e altri tre ricercatori, e siamo tra le sei squadre finaliste. La fase finale prevede una dimostrazione su un vero computer quantistico. L’obiettivo è ottenere le mappe quantitative quasi in tempo reale, senza aspettare la ricostruzione tradizionale e senza dover scegliere tra complessità di calcolo e accuratezza.

Lei dirige un centro dove scienziati e radiologi lavorano fianco a fianco. Quanto conta?

È uno dei nostri vantaggi. A differenza dei gruppi che stanno in dipartimenti più tecnici, noi siamo parte dell’ospedale e del Dipartimento di Radiologia. Questo edificio è stato costruito apposta per mettere insieme radiologi e scienziati. Uno dei punti della nostra missione è la clinical translation, cioè portare in clinica quello che sviluppiamo in laboratorio. Sull’hardware lavoriamo con Siemens, con cui abbiamo un accordo quadro di ricerca, senza passaggi di denaro, e una cinquantina di collaborazioni. Siamo i primi a provare le loro nuove apparecchiature e, se una nostra innovazione li interessa, la portano rapidamente sul mercato. Altri metodi, come quelli di analisi delle immagini, li sviluppiamo noi: alcuni li rendiamo open source, altri li concediamo in licenza alle aziende. I finanziamenti arrivano da fondazioni e agenzie federali, soprattutto i National Institutes of Health, per circa trenta milioni di dollari l’anno. E nelle commissioni che seguono i dottorandi c’è quasi sempre un radiologo o un medico. Per fare ricerca utile bisogna conoscere i problemi clinici e parlare la stessa lingua.

Ventitré anni negli Stati Uniti, diciotto a New York. Un bilancio?

Sono partito per sei mesi e mai tornato. Ma non me ne sono andato per un problema: ho studiato fuori e, quando ho finito, l’unica opportunità che ho avuto era qui. Il bilancio è positivo. La mia carriera è andata bene, e non so se ci sarei riuscito in Italia, soprattutto sugli stessi temi: io lavoro sull’hardware della risonanza, e in Italia chi lo fa si conta sulle dita. Sono contento però di aver costruito canali di collaborazione. Torno spesso, qui vengono professori e studenti, e ogni anno ospitiamo un ricercatore italiano per un periodo da quattro a dodici mesi.

Buon lavoro, professore, e grazie.

Grazie a voi.

*Antonio Alizzi, giornalista, scrittore e ricercatore dell’Eurispes