D34H – Laboratorio di Informatica Industriale

D34H - Digital Driven Diagnostics, prognostics and therapeutics for sustainable Health care

La Fondazione D3 4 Health – costituita da 28 partner tra Università pubbliche e private, Istituti di ricerca e Imprese – svolge attività di potenziamento della ricerca sulle tecnologie digitali in ambito sanitario, attraverso un sofisticato processo di data mining, al fine di migliorare diagnosi, monitoraggio e cure. Promuove lo sviluppo di modelli predittivi, diagnostici e terapeutici innovativi, avvalendosi delle tecnologie digitali più avanzate, rappresentate da algoritmi di Intelligenza Artificiale, dispositivi e sensori indossabili, nonché Network Analysis. Espressione di avanzamento della ricerca scientifica con inevitabile risonanza sull’impatto clinico e di conseguenza, sull’ottimizzazione della cura del paziente sarà rappresentato dallo sviluppo di un Digital Twin e di un Biological Twin. Rappresenta una grande opportunità per i giovani ricercatori, offrendo la possibilità di far parte di un programma di R&S finalizzato all’innovazione del sistema sanitario attraverso la transizione tecnologica digitale, in cui Ricerca e Impresa si incontrano per promuovere e sostenere congiuntamente ricerca di alto livello, trasferimento tecnologico e alta formazione. Determina – attraverso le tecnologie digitali innovative sviluppate in collaborazione tra i Partner – un impatto temporale specifico sulla salute dei cittadini nel:

breve termine, con la digitalizzazione della cura del paziente;
medio termine, con un miglioramento dell’ assistenza del paziente;
lungo termine, con un migliore utilizzo delle risorse disponibili, consentendo di standardizzare terapie personalizzate con un risparmio di risorse umane e tecnologiche.

Le principali attività di ricerca di D3 4 HEALTH saranno strutturate attraverso quattro “Spokes” interconnessi. Gli obiettivi specifici di D3 4 HEALTH saranno raggiunti verticalmente e applicati trasversalmente alle 5 malattie di riferimento, tutte con attività globali.
I quattro Spoke centrali includeranno:

Spoke 1: Validazione di nuovi modelli di assistenza supportati da soluzioni innovative basate su intelligenza artificiale/e-health eseguite su dati raccolti retrospettivamente e prospetticamente per garantire una rapida produzione di evidenze nel breve termine.
Spoke 2: Implementazione di una piattaforma multistrato già esistente per supportare lo stoccaggio dei dati e la generazione del digital twin dei pazienti, per istituire un’infrastruttura virtuale conforme al GDPR interoperabile dai centri del consorzio per lo scambio di dati digitali.
Spoke 3: Sviluppo e validazione funzionale di tecnologie indossabili e sensori nuovi ed esistenti. Identificazione e convalida prospettica di biomarcatori derivati da biopsie liquide e imaging per diagnosi, monitoraggio e terapia delle malattie di riferimento, al fine di fornire dispositivi medici mini-invasivi in grado di supportare la decisione clinica, il benessere dei pazienti e la raccolta continua di dati per lo sviluppo del digital twin.
Spoke 4: Valutazione e convalida del biological twin mediante modelli di simulazione basati su biologia.

Ogni Spoke rappresenta la base su cui sarà costruito quello successivo, con ciascuno che include una valutazione dei bisogni riguardo le lezioni apprese e le lacune di conoscenza.

Pubblicazioni Scientifiche

Altini, N., Rossini, M., Turkevi-Nagy, S., Pesce, F., Pontrelli, P., Prencipe, B., Berloco, F., Seshan, S., Gibier, J. B., Dorado, A. P., Bueno, G., Peruzzi, L., Rossi, M., Eccher, A., Li, F., Koumpis, A., Beyan, O., Barratt, J., Huy Quoc, V., Mohan, C., Van Nguyen, H., Cicalese, P. A., Ernst, A., Gesualdo, L., Bevilacqua, V., Becker, J. U. Performance and Limitations of a Supervised Deep Learning Approach for the Histopathological Oxford Classification of Glomeruli with IgA Nephropathy. Computer Methods and Programs in Biomedicine, 2023, p.107814. doi: 10.1016/j.cmpb.2023.107814
Prencipe, B., Delprete, C., Garolla, E., Corallo, F., Gravina, M., Natalicchio, M. I., Buongiorno, D., Bevilacqua, V., Altini, N., Brunetti, A. An Explainable Radiogenomic Framework to Predict Mutational Status of KRAS and EGFR in Lung Adenocarcinoma Patients. Bioengineering. 2023; 10(7):747. doi: 10.3390/bioengineering10070747
Altini, N., Marvulli, T. M., Zito, F. A., Caputo, M., Tommasi, S., Azzariti, A., Brunetti, A., Prencipe, B., Mattioli, E., De Summa, S. Bevilacqua, V. The role of unpaired image-to-image translation for stain color normalization in colorectal cancer histology classification. Computer Methods and Programs in Biomedicine, 2023, 234, p.107511. doi: 10.1016/j.cmpb.2023.107511
Zaccaria G.M., Berloco, F., Buongiorno, D., Brunetti, A., Altini, N., Bevilacqua, V. A time-dependent explainable radiomic analysis from the multi-omic cohort of CPTAC-Pancreatic Ductal Adenocarcinoma. Computer Methods and Programs in Biomedicine, 2024, p.108408. doi: https://doi.org/10.1016/j.cmpb.2024.108408
⁠Berloco, F., Marvulli, P.M., Suglia, V., Colucci, S., Pagano, G., Palazzo, L., Aliani., M., Castellana, G., Guido, P., D’Addio, G., Bevilacqua, V. Enhancing Survival Analysis Model Selection through XAI(t) in Healthcare. Applied Sciences, 2024, 14(14), 6084. doi: https://doi.org/10.3390/app14146084
Santone, A., Cesarelli, M., Colasuonno, E., Bevilacqua, V., Mercaldo, F. A Method for Ocular Disease Diagnosis through Visual Prediction Explainability. Electronics, 2024, 13(14), 2706. doi: https://doi.org/10.3390/electronics13142706
Berloco, F., Zaccaria G.M., Altini, N., Colucci, S., Bevilacqua, V. A Multimodal Framework for Assessing the Link between Pathomics, Transcriptomics, and Pancreatic Cancer Mutations. Computerized Medical Imaging and Graphics, 2025, p. 102526. doi: https://doi.org/10.1016/j.compmedimag.2025.102526
Zaccaria G.M., Altini, N., Mongelli, V., Marino, F., Bevilacqua, V. Development and validation of a machine learning prognostic model based on an epigenomic signature in patients with pancreatic ductal adenocarcinoma, 2025, p. 105883, doi: https://doi.org/10.1016/j.ijmedinf.2025.105883
M. Prunella, N. Altini, R. D’Alessandro, A. Schirizzi, G. De Leonardis, G. Arborea, M. T. Savino, A. M. Valentini, R. Armentano, A. D. Ricci, C. Lotesoriere, R. Carli, M. Dotoli, G. Giannelli, and V. Bevilacqua, Automated Pathomic Analysis of Angiogenesis and Immune Profiles Unveils an Interpretable Prognostic Biomarker in Colon and Gastric Cancers, IEEE Journal of Biomedical and Health Informatics, in press (2025). doi: https://doi.org/10.1109/JBHI.2025.3625431
N. Altini, M. Prunella, S. V. Seshan, S. Sciascia, A. Barreca, A. Del Gobbo, S. Porubsky, H. V. Nguyen, C. Delprete, B. Prencipe, D. Dobi, D. P. C. van Doorn, S. A. M. E. G. Timmermans, P. van Paassen, V. Bevilacqua, and J. U. Becker,
Multistain multicompartment automatic segmentation in renal biopsies with thrombotic microangiopathies and other vasculopathies, Computerized Medical Imaging and Graphics, Volume 126, 2025, 102658. doi: https://doi.org/10.1016/j.compmedimag.2025.102658
M. Prunella, N. Altini, R. D’Alessandro, A. Schirizzi, A. D. Ricci, C. Lotesoriere, P. Scarabaggio, R. Carli, M. Dotoli, G. Giannelli, and V. Bevilacqua, Pharmacometric and digital twin modeling for adaptive scheduling of combination therapy in advanced gastric cancer, Computer Methods and Programs in Biomedicine, Volume 270, 2025, 108919. doi: https://doi.org/10.1016/j.cmpb.2025.108919
A. Cariola, E. Sibilano, A. Guerriero, V. Bevilacqua, A. Brunetti, Deep learning strategies for semantic segmentation of pediatric brain tumors in multiparametric MRI. Sci Rep 15, 22595 (2025), doi: https://doi.org/10.1038/s41598-025-07257-2
A. Cariola; E. Sibilano, A. Brunetti, D. Buongiorno, A. Guerriero, V. Bevilacqua, Enhanced Segmentation of Glioma Subregions via Modality-Aware Encoding and Channel-Wise Attention in Multimodal MRI. Appl. Sci. 2025, 15, 8061, doi: https://doi.org/10.3390/app15148061