IA: applicazioni nella caratterizzazione dell’adenocarcinoma polmonare
La diagnosi basata sull’intelligenza artificiale è diventata essenziale in vari campi della medicina: dalle malattie neurodegenerative ai tumori. In particolare, in ambito oncologico, l’apprendimento automatico può essere utilizzato per analizzare e classificare le immagini dei tessuti. Un team del Regno Unito ha messo a punto un metodo basato sull’IA che identifica fenotipi di adenocarcinoma polmonare de novo.
Le applicazioni dell’IA in ambito diagnostico
Con il termine ‘Intelligenza Artificiale’ (IA) si intende la capacità di una macchina di imitare l’intelligenza umana. Tra le caratteristiche dell’IA vi è la possibilità di estrarre informazioni e produrre nuova conoscenza, a partire da raccolte di dati complesse e di grandi dimensioni. Accanto a questo, l’IA consente attività che implicano la produzione di giudizi e/o predizioni.
In ambito medico, l’IA rientra in tutti i campi in cui da una conoscenza di base si sviluppano diversi tipi di ragionamento. Il processo di diagnosi ha queste caratteristiche ed è considerato un comportamento “intelligente” che deve fondere e usare, tra le altre cose, conoscenze di base, specifiche del paziente e del contesto ambientale, al fine di prendere la migliore decisione possibile, in un tempo accettabile. Proprio per questo, i metodi basati sull’IA si applicano bene al processo diagnostico.
Le metodologie di apprendimento automatico
La diagnosi e la gestione del tumore dipendono dall’analisi di complesse informazioni ottenute da immagini di microscopia da parte dei patologi, che richiede tempo ed è soggetta a bias umano. L’interpretazione delle immagini, infatti, varia tra gli specialisti in base all’esperienza, alle conoscenze e alla difficoltà intrinseca nel caratterizzare determinati tumori o pattern. L’apprendimento automatico supervisionato è una tecnica basata sull’IA che è in grado di classificare i tumori in modo simile agli specialisti.
Nell’apprendimento automatico supervisionato, tuttavia, vi è il limite di non poter identificare eventuali nuovi biomarkers. Per superare questi ostacoli, sono stati sviluppati approcci semi-supervisionati, che imparano da piccoli set di dati, oppure non supervisionati e auto-supervisionati, che si formano autonomamente, senza alcun intervento umano.
L’apprendimento auto-supervisionato nell’analisi dell’adenocarcinoma polmonare
Un team guidato da Alberto Claudio Quiros, dell’Università di Glasgow, ha messo a punto una metodologia di apprendimento automatico auto-supervisionata per identificare de novo fenotipi di adenocarcinoma polmonare a partire da immagini whole-slide (WSI). La metodologia è stata descritta in un articolo su Nature Communications.
L’adenocarcinoma polmonare è un cancro con molti sottotipi e caratteristiche eterogenee e in cui la morfologia del tumore è altamente predittiva dell’outcome del paziente. La metodologia sviluppata dal team britannico si divide in quattro fasi: la pre-elaborazione delle immagini, l’apprendimento auto-supervisionato delle immagini di tessuto, la classificazione del tessuto in cluster di fenotipi istomorfologici (HPC) e la loro caratterizzazione. Con questo approccio, l’apprendimento e il raggruppamento delle immagini istopatologiche sono imparziali. Inoltre, la metodologia consente ai patologi di esaminare i modelli dei tessuti e le loro relazioni con determinanti quali il tipo di cancro, la sopravvivenza globale, la sopravvivenza libera da recidiva o i fenotipi molecolari.
Riferimenti:
- Kumar Y. et al., Artificial intelligence in disease diagnosis: a systematic literature review, synthesizing framework and future research agenda. Journal of Ambient Intelligence and Humanized Computing (2023); 14:8459-8486
- Ministero della Salute. “I sistemi di intelligenza artificiale come strumento di supporto alla diagnostica”
- Quiros A. C. et al., Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning in unannotated pathology slides. Nature Communications (2024); doi: 10.1038/s41467-024-48666-7