Sviluppo di un algoritmo automatico basato su deep learning per la classificazione del carcinoma prostatico in immagini istologiche = Development of an automatic deep learning algorithm for classification of prostate cancer in histological images

Il carcinoma prostatico è una delle neoplasie che affligge maggiormente la popolazione maschile in tutto il mondo, con 1.4 milioni di casi diagnosticati e 375 mila morti nel 2020. Questo tipo di tumore nella maggior parte dei casi si presenta in maniera asintomatica e cresce molto lentamente, mentre in altri casi è molto più aggressivo. Dunque è fondamentale stimare in maniera corretta il grado del tumore per poter attuare una strategia terapeutica adatta, che può essere a scopo radicale (prostatectomia radicale o radioterapia) oppure di sorveglianza attiva, a seconda dell'aggressività. Attualmente, la diagnosi e la valutazione del grado del tumore viene effettuata da un patologo tramite l'analisi istologica dei campioni di tessuto ottenuti tramite agobiopsia, a cui viene attribuito un punteggio di Gleason (Gleason score) a seconda del livello di differenziazione delle ghiandole del tessuto prostatico. La valutazione del Gleason score è molto dispendiosa in termini di tempo e porta ad una grande variabilità intra e inter-operatore, dovuta anche alla natura qualitativa di questa stima, che porta inevitabilmente ad una prognosi variabile e un trattamento non ottimale della patologia. L'obiettivo di questo lavoro di tesi è lo sviluppo di un sistema automatico che identifichi il tessuto canceroso in immagini istologiche di prostata. Il sistema si basa sull'utilizzo di reti neurali convoluzionali (CNN) per la classificazione delle immagini istologiche.