PROSTATE CANCER DETECTION AND DIAGNOSIS

PROSTATE CANCER DETECTION AND DIAGNOSIS. Il carcinoma prostatico è il tumore più diffuso tra gli uomini, con un’incidenza di 1 uomo su 6 e una mortalità che ne coinvolge 1 su 36. La diagnosi precoce e accurata è fondamentale per garantire un trattamento tempestivo ed efficace, migliorando le prospettive di guarigione e la qualità di vita dei pazienti. Negli ultimi anni, l’avvento dell’imaging ad alta risoluzione, in particolare delle scansioni biparametriche di risonanza magnetica (bpMRI), ha rivoluzionato l’approccio alla diagnosi e al monitoraggio del tumore alla prostata. Le immagini bpMRI forniscono informazioni dettagliate sulla morfologia e sulla composizione dei tessuti prostatici, consentendo una valutazione più accurata delle lesioni tumorali e una pianificazione più precisa dei trattamenti. Tuttavia, la valutazione delle immagini richiede un analisi accurata da parte di radiologi esperti. Infatti, le diverse caratteristiche morfologiche e la diversa intensità del segnale delle lesioni complicano il processo di identificazione e segmentazione rendendo il processo di diagnosi lungo, complesso e suscettibile a variazioni interpretative soggettive. In questo contesto, l’utilizzo dell’intelligenza artificiale e delle tecniche di apprendimento automatico hanno suscitato un crescente interesse come strumento ausiliario dimostrando di poter migliorare l’accuratezza e l’efficienza della diagnosi. Questa tesi ha come obiettivo quello di sviluppare un algoritmo completamente automatico per analizzare le scansioni addominali bpMRI di un paziente al fine di identificare e segmentare eventuali lesioni tumorali prostatiche, fornendo un supporto al radiologo nel processo di diagnosi. Per lo sviluppo dell’algoritmo, si è fatto uso del dataset pubblico della PICAI challenge, composto da dati multicentrici acquisiti tra il 2011 e il 2021. L'algoritmo implementato prevede l’impiego di due modelli UNet in successione: il primo è stato progettato per identificare e generare la maschera prostatica, mentre il secondo per identificare e generare la maschera delle eventuali lesioni tumorali presenti. Infine, le maschere ottenute vengono utilizzate per formulare la diagnosi. Durante l’analisi sperimentale sono state individuate diverse criticità e si sono sviluppate soluzioni mirate a garantire il corretto funzionamento dell’algoritmo in scenari d’uso reale. I risultati finali ottenuti (Dice: 0.50 ± 0.27; Distanza di Hausdorff (95° percentile): 31.45 ± 32.27 pixel; RVD: 3.82 ± 11.42 %; AUC=0.63; Corretti classificati positivi: 74%; Corretti classificati negativi: 33%) dimostrano la validità del metodo implementato rispetto alla soluzione base proposta dagli organizzatori della PI-CAI challenge (Dice: 0.30 ± 0.39; Distanza di Hausdorff (95° percentile): 2.74 ± 4.24 pixel; RVD: -0.61 ± 0.51 % ; AUC=0.58; Corretti classificati positivi: 40%; Corretti classificati negativi: 83%). I valori delle metriche confrontate sono stati calcolati sui casi appartenenti allo stesso Test set interno. Nonostante i progressi registrati grazie al metodo proposto, che ha portato a dei miglioramenti nelle performance di predizione e diagnosi, ci sono ancora ampi margini di miglioramento. Questi sono necessari per rendere l’algoritmo un’opzione affidabile e realmente utilizzabile nella pratica clinica.