Gli "orologi tissutali" basati sull'intelligenza artificiale rivelano l'età dei singoli organi. / AI ‘Tissue Clocks’ Reveal the Age of Individual Organs

 Gli "orologi tissutali" basati sull'intelligenza artificiale rivelano l'età dei singoli organi. Il procedimento del brevetto ENEA RM2012A000537 è molto utile in questo tipo di applicazione. / AI ‘Tissue Clocks’ Reveal the Age of Individual Organs. The procedure of the ENEA patent RM2012A000537 is very useful in this type of application.

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

Alcuni scienziati austriaci hanno sviluppato un nuovo metodo per stimare l'età biologica degli organi umani basandosi su immagini istologiche. Pubblicati oggi su Nature Medicine, i loro risultati potrebbero aprire la strada a esami del sangue in grado di monitorare l'invecchiamento e le malattie in tutto il corpo umano. 

"I nostri tessuti conservano una registrazione straordinariamente dettagliata del processo di invecchiamento", ha affermato André Rendeiro, PhD, ricercatore principale presso il Centro di ricerca per la medicina molecolare dell'Accademia austriaca delle scienze (CeMM) ed autore senior dello studio. "Combinando le immagini istologiche con l'intelligenza artificiale, possiamo individuare modelli di invecchiamento biologico invisibili all'occhio umano ed iniziare a comprendere come l'invecchiamento si manifesti in modo diverso nelle varie parti del corpo".

Mentre gli studi precedenti si sono concentrati principalmente sui cambiamenti molecolari associati all'invecchiamento, il gruppo di Rendeiro ha adottato un approccio diverso, utilizzando l'intelligenza artificiale per esaminare come l'architettura dei tessuti cambia nel tempo. I ricercatori hanno analizzato oltre 25.000 immagini istologiche ad alta risoluzione provenienti dal Genotype-Tissue Expression Project (GTEx), relative a 40 diversi tipi di tessuti. 

L'età è emersa come il fattore più determinante nella definizione della struttura tissutale in tutti i 40 tipi di tessuto analizzati. Sulla base di questi risultati, il gruppo ha sviluppato modelli predittivi in ​​grado di stimare l'età biologica dei singoli tessuti. Questi "orologi tissutali" hanno raggiunto un errore medio di 4,9 anni, superando le stime di invecchiamento basate sul DNA già esistenti. 

L'analisi ha rivelato che l'invecchiamento non è uniforme in tutti i tessuti. Mentre organi come polmoni, reni, pancreas e ghiandole surrenali mostravano già segni di invecchiamento tra i 20 e i 40 anni, altri organi, come l'utero, seguivano traiettorie più complesse, con picchi di invecchiamento accelerato in età avanzata. 

"Ciò che colpisce è la diversa modalità di invecchiamento di ciascun organo e come questo si rifletta nell'architettura dei tessuti", ha affermato Ernesto Abila, scienziato dei dati biomedici presso il CeMM e co-primo autore dello studio. "Il deep learning ci permette di leggere questi modelli spaziali, catturando l'invecchiamento come rimodellamento architettonico, non solo come deriva molecolare."

A causa della natura invasiva delle biopsie, molti organi non possono essere campionati di routine nella pratica clinica. Per ovviare a questa limitazione, i ricercatori hanno collegato i cambiamenti rilevati dagli orologi tissutali con i profili di espressione genica misurati tramite analisi del sangue. Questi predittori basati sul sangue hanno riprodotto i segni dell'invecchiamento associati a diverse patologie, tra cui il morbo di Alzheimer, il morbo di Crohn, la fibrosi cistica, la vasculite, il diabete e l'ictus. 

"Si tratta di un salto concettuale: utilizzare il linguaggio dell'invecchiamento dei tessuti, appreso dalle immagini, e tradurlo in qualcosa di comprensibile da un normale prelievo di sangue", ha affermato Iva Buljan, dottoranda presso il CeMM e co-prima autrice dello studio.

I risultati suggeriscono che l'architettura tissutale integra caratteristiche chiave sia dell'invecchiamento molecolare che fisiologico, cogliendo il quadro generale dei complessi processi di invecchiamento in tutto il corpo umano. Con ulteriori validazioni, questo approccio potrebbe supportare metodi minimamente invasivi per monitorare l'invecchiamento e la progressione delle malattie in organi specifici.

"Questo studio evidenzia che l'invecchiamento non è semplicemente una questione di tempo cronologico", ha affermato Yimin Zheng, PhD, ricercatore post-dottorato presso il CeMM e co-primo autore dello studio. "Organi diversi invecchiano in modi diversi e questi processi sembrano essere influenzati sia da fattori sistemici che da fattori specifici dei tessuti."

ENGLISH

A new study has found that 99.8% of AI-based medical devices cleared by the FDA have never been tested to determine whether they improve patient outcomes. Published in PLOS Digital Health, the study highlights major gaps in the FDA’s current approach to evaluating these technologies. 

“We expected the evidence base to be thin, but not this thin,” said Sebastián A. Cajas Ordóñez, AI researcher at MIT Critical Data. “Out of 1,357 AI devices the FDA has cleared for use in patient care, only three have been tested on whether patients actually live longer or better.”

The use of AI tools in clinical practice is growing at unprecedented speed, increasingly influencing diagnostic and treatment decisions. Radiology applications dominate the field, accounting for 78% of FDA-cleared AI devices. However, the evidence supporting their impact on patients remains limited. 

Using data from the FDA device database and the ACR Data Science Institute catalogue, the researchers conducted a systematic analysis of all FDA-cleared AI medical devices through December 2025. Out of 1,357 cleared devices, only 34 (2.5%) were linked to registered prospective trials, and only three of these evaluated patient-centered outcomes such as death rates, hospital readmissions, and quality of life. 

Under the FDA’s 510(k) pathway, a new medical device can be cleared if it demonstrates “substantial equivalence” to an existing device. According to the study authors, this can create a chain effect in which new devices are cleared based on their similarity to previous devices that themselves may lack rigorous clinical validation, allowing evidence gaps to widen as they pass from one generation of devices to the next. 

“Regulatory approval has outpaced clinical validation, creating an ecosystem where innovation advances without accountability,” said Cajas Ordóñez. “The finding that only 0.2% of cleared devices have undergone evaluation for patient-centered outcomes reveals a profound validation gap and points to the need for evidence standards capable of keeping pace with the speed of regulatory clearance.”

The analysis also found that most of the few studies conducted took place in highly resourced healthcare systems and excluded key patient subgroups, including pregnant women, people over 75, and non-English speakers. Subgroup analyses were also rarely conducted, leaving it unclear how these AI medical devices perform across diverse populations. Because FDA clearance is often used internationally as a benchmark for adoption, the researchers warn that under-validated AI tools could be introduced into low- and middle-income countries, where resources for independent clinical validation may be limited.

Based on these findings, the scientists propose a roadmap for strengthening the clinical validation of AI medical devices. This includes mandatory prospective studies conducted in real-world clinical settings, as well as post-clearance requirements for multicenter trials with patient-centered endpoints and prespecified subgroup analyses.

“The central issue in clinical AI is not whether algorithms can classify images or predict risk; it is whether they tangibly improve patient health,” said Cajas Ordóñez. “Without systematic reform, the gap between algorithmic capability and clinical evidence will continue to widen.”

Da:

https://www.insideprecisionmedicine.com/topics/molecular-dx/ai-tissue-clocks-reveal-the-age-of-individual-organs/