Cancro cavità orale: e-tongue e apprendimento automatico

La diagnosi del cancro e di altre malattie utilizzando i dati di sensori non specifici – come le lingue elettroniche (e-tongues) – presenta alcune difficoltà dovute alla mancanza di selettività, oltre all’enorme variabilità dei campioni biologici. Con questo studio, i ricercatori vogliono dimostrare che i dati di impedenza ottenuti con una lingua elettronica in campioni di saliva possono essere utilizzati per diagnosticare il cancro in bocca.

Utilizzando una lingua elettronica sui campioni salivari di 27 individui, sono stati elaborati dati attraverso tecniche di proiezione multidimensionale e algoritmi di apprendimento automatico. La distinzione tra individui sani e pazienti con cancro del pavimento della bocca o della cavità orale poteva essere fatta solo con l’apprendimento supervisionato e una precisione superiore all’80% è stata ottenuta per la classificazione binaria (SÌ o NO per il cancro) utilizzando una macchina del vettore di supporto (SVM) con kernel con funzione di base radiale e foreste casuali.

Nella classificazione basata sulla tipologica di cancro, l’accuratezza è scesa a ca. 70%; questa tendeva ad aumentare quando le informazioni cliniche (es. consumo di alcol) venivano utilizzate insieme ai dati dell’e-tongue.

È stato quindi dimostrato che i dati dell’e-tongue possono essere utilizzati nella diagnosi del cancro, anche senza rilevare uno specifico biomarcatore, grazie al riconoscimento di un modello che può essere applicato all’interno del paradigma della selettività globale. 

Permangono ancora delle difficoltà di diagnosi, dovute alla scarsa performance dei metodi statistici e dall’apprendimento non supervisionato nel distinguere tra campioni di saliva di pazienti oncologici e individui sani; mentre con l’apprendimento automatico supervisionato si ottiene una ragionevole precisione sia nella classificazione binaria che per le tre classi analizzate (cancro del pavimento/cavità e controllo). 

Questi valori di accuratezza dovrebbero aumentare quando viene utilizzato un numero maggiore di campioni, da cui è possibile effettuare un addestramento più efficiente con gli algoritmi di apprendimento automatico. Ciò è particolarmente incoraggiante per ulteriori studi poiché la combinazione di dati di natura diversa è un segno distintivo del nuovo paradigma della diagnosi assistita da computer.

Fonte: Talanta – https://doi.org/10.1016/j.talanta.2022.123327

IT-NON-06483-W-02/2024