Patologia digitale: un algoritmo di intelligenza artificiale che differenzia il cancro dai tessuti sani

Sulla rivista Nature Medicine di questa settimana è stato pubblicato un articolo che presenta un sistema di intelligenza artificiale in grado di differenziare il cancro dai tessuti sani.

Questo algoritmo automatico potrebbe aiutare i patologi a escludere fino al 75% dei campioni di tessuto non informativo mantenendo la sensibilità al 100%, aiutando così la diagnosi e accelerando la pratica clinica di routine nei centri oncologici.

I sistemi di anatomia patologica digitalizzati

L’uso di sistemi di patologia digitale, progettati per migliorare la cura dei pazienti affetti da cancro, è stato ostacolato fino ad oggi dalla mancanza di modelli automatici dotati di una sufficiente accuratezza diagnostica clinica e dalla capacità di far fronte al gran numero di casi che vengono abitualmente trattati negli ospedali oncologici.

Un modello di apprendimento intelligente

Thomas Fuchs e colleghi hanno compilato un grande set di dati del mondo reale, composto da oltre 44.000 vetrini, corrispondenti ad oltre 15.000 pazienti, con diagnosi di carcinoma della prostata, della pelle e della mammella.

Grazie a queste enormi risorse sono stati in grado di compilare un modello di deep learning in grado di riconoscere le cellule tumorali nei preparati istologici, senza la necessità di annotazioni manuali da parte di un patologo.

Hanno così evidenziato come questo modello poteva diagnosticare i tipi di tumore considerati con prestazioni di livello clinico, anche quando erano presenti irregolarità nei campioni, come bolle d’aria o pieghe.

Allo scopo di validare i risultati del modello, per ogni tipo di tessuto, patologi specializzati nei tessuti tumorali selezionati sono stati incaricati di valutare le previsioni del modello e interpretare possibili modalità di errore sistematico. Durante l’analisi, i patologi hanno avuto accesso alla previsione del modello e al rapporto completo sulla patologia per ciascun caso.

Gli autori suggeriscono che questo approccio potrebbe snellire il flusso di lavoro dei patologi, permettendo di concentrare i loro sforzi sulla revisione di sezioni di tessuto informativo che contengono tessuto tumorale.

 

 

Gabriele Campanella, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nature Medicine 2019.

 

 

0 commenti

Lascia un Commento

Vuoi partecipare alla discussione?
Sentitevi liberi di contribuire!

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

3 × uno =