Istituto Tumori Bari

"Giovanni Paolo II" I.R.C.C.S.

Team composition

Taem Leader: Dott.ssa Annarita Fanizzi - Radiomica ed elaborazione dati imaging
​Team members: Dott.ssa Raffaella Massafra, dirigente fisico medico; Dott. Vittorio Didonna, dirigente fisico medico; Dott. Pasquale Tamborra, dirigente fisico medico; Dott. Maria Colomba Comes, ricercatore matematico borsista; Dott.ssa Samantha Bove, ricercatore matematico borsista; Dott.ssa Nicole Petruzzellis, data manager farmacista borsista; Dott. Alessio De Bartolo, amministrativo borsista; Dott.ssa Domenica Bavaro, ricercatore statistico borsista; Dott.ssa Erika Di Benedetto, data manager farmacista borsista; Dott.ssa Rahel Signorile, ricercatore chimico borsista; Dott.ssa Martina Milella, ricercatore farmacista borsista; Dott. Federico Fadda, ricercatore fisico borsista   

Work Programme

Il team di Radiomica ed elaborazione dati imaging si propone di offrire supporto metodologico-statistico e informatico nel collazionamento, gestione ed elaborazione dati biomedicali nelle diverse fasi della ricerca oncologica. Il team coadiuva la ricerca scientifica e collabora attivamente con gli oncologi e clinici dell’Istituto per lo sviluppo delle diverse linee di ricerca in diversi setting clinici e patologie oncologiche (breast, polmone, melamona, testa collo, etc.). L’attività di ricerca è principalmente orientata all’analisi statistica di dati biomedicali di diversa natura, tra i quali clinici, omici, imaging, biologia molecolare, nonché studi traslazionali finalizzati alla definizione di modelli di medicina personalizzata mediante analisi di Big Data con tecniche di Intelligenza Artificiale. Il programma di ricerca si sviluppa principalmente sulle seguenti linee di ricerca:

• sviluppo di modelli predittivi dello stato dei linfonodi sentinella;
• sviluppo di modelli prognostici automatizzati di supporto alla pianificazione e monitoraggio delle terapie adiuvanti e neoadiuvanti;
• sviluppo di algoritmi di analisi immagini radiologiche e di digital pathology per la definizione di strumenti di supporto decisionale

Team networks: Alleanza Contro Cancro (ACC); Associazione Italiana di Fisica Medica (AIFM); Istituto Nazionale di Fisica Nucleare (INFN);     Dipartimento Interateneo di Fisica, Università degli Studi di Bari; Dipartimento di Diagnostica per Immagini, Ospedale Universitario di Siena, Azienda Ospedaliera Universitaria Senese, Siena; Università degli Studi della Campania Luigi Vanvitelli, Dipartimento Medicina di Precisione, Napoli; Radiodiagnostica ad indirizzo senologico, Policlinico Bari; Radiologia e Senologia presso P.O. San Paolo, Bari; Radiology and Biomedical Imaging Department, University of California, San Francisco.                       

Key funding:

• Health Big Data, finanziato dal Ministero della Salute, che coinvolge le Reti IRCCS e il Politecnico di Milano, finalizzato alla creazione di una piattaforma tecnologica che consenta la raccolta, condivisione ed analisi di dati clinici e scientifici dei pazienti.
• Progetto di Rete 2018, finanziato dal Ministero della Salute nell’ambito della Ricerca Finalizzata 2018, cofinanziato dalla Regione Puglia, coinvolge oltre l’Istituto Superiore di Santità e altri 7 istituti di cura nazionali, finalizzato alla sperimentazione dell'uso integrato della metodologia HTA con tecniche di machine learning per lo sviluppo di sistemi automatizzati di supporto alle decisioni dei medici nella definizione di percorsi di trattamento personalizzati.
• Alleanza Contro Cancro (ACC), WG Radiomics
• Ricerca Corrente 2016-2018, 2018-2021, 2022-2024

Key pubblication:

• Bove, S., Comes, M. C., Lorusso, V., Cristofaro, C., Didonna, V., Gatta, G., ... & Massafra, R. (2022). An ultrasound-based radiomic approach to predict the nodal status in clinically negative breast cancer patients. Scientific Reports, 12(1), 1-10.
• Massafra, R., Comes, M. C., Bove, S., Didonna, V., Gatta, G., Giotta, F., ... & Paradiso, A. V. (2022). Robustness Evaluation of a Deep Learning Model on Sagittal and Axial Breast DCE-MRIs to Predict Pathological Complete Response to Neoadjuvant Chemotherapy. Journal of personalized medicine, 12(6), 953
• Massafra, R., Catino, A., Perrotti, P. M. S., Pizzutilo, P., Fanizzi, A., Montrone, M., & Galetta, D. (2022). Informative Power Evaluation of Clinical Parameters to Predict Initial Therapeutic Response in Patients with Advanced Pleural Mesothelioma: A Machine Learning Approach. Journal of Clinical Medicine, 11(6), 1659
• Comes, M. C., Fanizzi, A., Bove, S., Didonna, V., Diotaiuti, S., La Forgia, D., ... & Massafra, R. (2021). Early prediction of neoadjuvant chemotherapy response by exploiting a transfer learning approach on breast DCE-MRIs. Scientific Reports, 11(1), 1-12.
• Comes, M. C., La Forgia, D., Didonna, V., Fanizzi, A., Giotta, F., Latorre, A., ... & Massafra, R. (2021). Early prediction of breast cancer recurrence for patients treated with neoadjuvant chemotherapy: a transfer learning approach on DCE-MRIs. Cancers, 13(10), 2298.
• Massafra, R., Bove, S., Fanizzi, A., Lorusso, V., Biafora, A., Comes, M. C., Didonna, V., ... & La Forgia, D. (2021). Radiomic feature reduction approach to predict breast cancer by contrast-enhanced spectral mammography images. Diagnostics, 11(4), 684.
• Massafra, R., Latorre, A., Fanizzi, A., Bellotti, R., Didonna, V., Giotta, F., ... & Lorusso, V. (2021). A clinical decision support system for predicting invasive breast cancer recurrence: preliminary results. Frontiers in Oncology, 11, 576007.
• Massafra, R., Bove, S., La Forgia, D., Comes, M. C., Didonna, V., Gatta, G., ... & Lorusso, V. (2022). An Invasive Disease Event-Free Survival Analysis to Investigate Ki67 Role with Respect to Breast Cancer Patients’ Age: A Retrospective Cohort Study. Cancers, 14(9), 2215.
• Fanizzi, A., Pomarico, D., Paradiso, A., Bove, S., Diotaiuti, S., Didonna, V., ... & Massafra, R. (2021). Predicting of sentinel lymph node status in breast cancer patients with clinically negative nodes: A validation study. Cancers, 13(2), 352.
• Fanizzi, A., Basile, T., Losurdo, L., Bellotti, R., Bottigli, U., Dentamaro, R., ... & La Forgia, D. (2020). A machine learning approach on multiscale texture analysis for breast microcalcification diagnosis. BMC bioinformatics, 21(2), 1-11.