Sviluppo di un modello basato sulla combinazione di reti neurali convoluzionali per il riconoscimento e la localizzazione del carcinoma polmonare in vetrini istologici = Development of a deep learning model based on the combination of convolutional neural networks for the recognition and localization of lung cancer in histological slides

Il cancro al polmone, oggi, a causa dei nuovi agenti patogeni, rappresenta la prima causa di decessi per neoplasia al mondo ed il secondo tumore per incidenza; dopo il cancro alla prostata per gli uomini e quello al seno per le donne. Nonostante le terapie sviluppate per la cura, il carcinoma polmonare rimane una neoplasia a prognosi quasi sempre sfavorevole con una sopravvivenza a 5 anni dei pazienti approssimativamente pari al 18%. Di conseguenza, la diagnosi precoce si rileva di fondamentale importanza per il successo dei trattamenti a cui sarà sottoposto il paziente. Il golden standard per la diagnosi del cancro è la biopsia polmonare con la successiva ispezione del tessuto effettuata da un anatomopatologo esperto. Tuttavia, degli studi precedenti hanno dimostrato che esiste una variazione inter-operatore nella classificazione del tessuto polmonare modesta, con valori di concordanza compresi tra 0.65-0.81. In aggiunta alle difficoltà di avanzamento di una diagnosi accurata, il carico di lavoro in termini di tempo e il numero ridotto di patologi, rappresentano problematiche non indifferenti. In quest'ottica, un sistema basato sull'intelligenza artificiale potrebbe porsi come soluzione o come supporto al medico. La digital pathology con l'utilizzo di scanner ad alta risoluzione, ha consentito la creazione di WSI su cui fosse molto più semplice osservare le caratteristiche tissutali direttamente dal monitor di un computer e inserire delle annotazioni manuali per la rilevazione del tumore. Tutto ciò ha facilitato lo sviluppo di algoritmi automatici basati su reti neurali per la classificazione delle immagini. Lo scopo principale del progetto di tesi consiste nella realizzazione di un sistema automatico fondato su CNN per la detection del carcinoma polmonare. Il dataset utilizzato è quello della challenge ACDC@ LUNGHP (Automatic Cancer Detection and Classification in Whole-slide Lung histopathology), che si è tenuta in The IEEE International Symposium on Biomedical Imaging (ISBI), costituito da 200 WSI con colorazione H&E. Più precisamente sono state allenate tre architetture di reti neurali convoluzionali: VGG16, ResNet50 e DenseNet, e, in ultimo, combinate le loro predizioni con l'operazione di media pesata in funzione dell'accuratezza di ciascun modello. I training delle reti sono stati eseguiti su delle patch di dimensione 500x500 estratte tramite un algoritmo automatico di estrazione smart che tenga conto dei nuclei cellulari, dei pixel bianchi del vetrino e della presenza di eventuali artefatti. Le prestazioni del classificatore finale si sono rilevate molto incoraggianti con un' AUC di 96.1% sul training set e di 95.7% sul test set. Infine, a partire dal modello di insieme, sono state realizzate le Heatmap sulle WSI appartenenti al test set con un Dice score medio del 80%. Il sistema sviluppato, al netto di successivi miglioramenti, può dunque essere sfruttato come supporto al patologo per una seconda opinione al fine di ridurre i tempi di analisi e giungere ad una diagnosi altamente accurata.