Classificazione dell’adenocarcinoma gastrico di tipo diffuso. Un aiuto arriva dai modelli di Deep Learning

Ad oggi, l’adenocarcinoma gastrico di tipo diffuso rappresenta una percentuale sproporzionatamente elevata di casi di tumori gastrici, soprattutto tra i giovani. L’incidenza relativa di questo tumore sembra essere in aumento e, rispetto all’adenocarcinoma (ADC) di tipo differenziato, generalmente colpisce il corpo dello stomaco, presenta una durata più breve e una prognosi peggiore.


La principale difficoltà incontrata nella diagnosi differenziale degli adenocarcinomi gastrici si concentra sicuramente nel tipo diffuso, poiché le cellule tumorali si presentano singole e poco appariscenti in uno sfondo di desmoplasia e infiammazione. Questa situazione può essere spesso fraintesa e identificata erroneamente con un’ampia varietà di lesioni non neoplastiche tra cui gastrite o cellule endoteliali reattive osservate nel tessuto di granulazione.


In questo studio, quindi, i ricercatori hanno cercato di addestrare una rete neurale convoluzionale (CNN) per classificare l’adenocarcinoma gastrico di tipo diffuso in WSI (Whole Side Imaging) bioptici.


Per applicare una CNN sui grandi WSI, è stato perciò deciso di piastrellare i WSI estraendo piastrelle di dimensioni fisse su tutte le regioni di tessuto rilevate. Nel complesso, quindi, sono stati addestrati quattro diversi modelli: (1) un metodo in due fasi utilizzando il modello esistente per rilevare il primo ADC, seguito da un secondo modello che rileva l’ADC di tipo diffuso; (2) un metodo a una fase per la classificazione ADC di tipo diffuso diretto con ingrandimento ×10 e una dimensione del riquadro di 224×224 pixel; (3) un metodo a una fase per la classificazione ADC di tipo diffuso diretto con ingrandimento ×20 e una dimensione del riquadro di 224×224 px; e (4) un metodo a una fase per la classificazione ADC di tipo diffuso diretto con ingrandimento ×20 e una dimensione del riquadro di 512×512 px.  Sono stati poi valutati i modelli su cinque set di test ottenuti da fonti distinte, da cui è emerso che i modelli con le migliori prestazioni erano il ​​modello a uno stadio a 20 ingrandimenti e 512×512 pixel di dimensione della piastrella e il modello a 2 stadi a 10 ingrandimenti e 224×224 pixel di dimensione del riquadro.


Il modello addestrato è stato in grado di rilevare bene sia le cellule ADC che quelle SRCC (signet ring cell carcinoma) scarsamente differenziate, con falsi positivi dovuti a episodi di gastrite che rendevano difficoltosa la distinzione tra l’ADC di tipo diffuso e le cellule infiammatorie, in particolare le plasmacellule.


I risultati, altamente promettenti, dimostrano il potenziale della patologia computazionale basata sull’intelligenza artificiale come nuovo metodo per aiutare i patologi nel loro sistema di flusso di lavoro diagnostico


Fonte: Nature, Scientific Reports

IT-NON-05667-W-10/2023