Sviluppo di un sistema automatico di supporto diagnostico per la valutazione del Gleason Score in istologie prostatiche = Development of an automated diagnostic support system for the evaluation of the Gleason Score in prostate histology

L'adenocarcinoma prostatico è una delle patologie tumorali di maggior interesse dal punto di vista della ricerca scientifica essendo la seconda forma tumorale più diagnosticata nell'uomo e la terza per numero di morti ogni anno nel mondo nonostante la sua bassa letalità. Si tratta di una forma tumorale che colpisce prevalentemente gli over 65 ed il suo tasso di sopravvivenza a 5 anni se diagnosticata in fasi iniziali è maggiore del 90\%. Per tale ragione a differenza di forme tumorali più aggressive nelle fasi iniziali è possibile attuare delle politiche di vigilanza attiva piuttosto che delle politiche di rimozione radicale dell'organo per migliorare la qualità di vita del paziente. Per rendere possibile ciò è fondamentale disporre di metodologie diagnostiche solide che consentano la classificazione corretta nelle diverse classi di rischio del paziente. Il gold standard diagnostico è l'analisi istologica di agobiopsie che consente di ottenere informazioni circa lo stadio evolutivo del carcinoma prostatico tramite la scala di valutazione di Gleason. Si valutano delle caratteristiche architetturali dei campioni assegnando ai diversi pattern presenti una valutazione in funzione del grado di differenziazione delle ghiandole prostatiche da Benigno, perfettamente differenziate, a Gleason 5, perdita completa della struttura ghiandolare. In seguito valutando i due peggiori pattern presenti nei campioni si assegna un Grade Group da 1-5, con livello di rischio per il paziente crescente, che sarà fondamentale nella scelta del percorso teranostico. La criticità principale di tale tecnica è legata alla soggettività di valutazione tra diversi patologi e alle variabilità intrinseche dell'esame. Il presente lavoro di tesi si pone come obiettivo quello di valutare la fattibilità di sviluppo di un sistema di supporto diagnostico per il patologo che lo aiuti nella classificazione. Il sistema sviluppato si basa sull'utilizzo di reti neurali convoluzionali, ad oggi tra i più potenti strumenti di analisi di immagini. Le immagini utilizzate sono state ottenute dal dataset di Arvaniti E. . Per ottimizzare la classificazione nelle diverse classi sono state testate diverse strutture neurali. La validazione del sistema è stata effettuata confrontando la sua classificazione con quella di due patologi esperti.