Sviluppo di un algoritmo di AI per la detection e la caratterizzazione di tumori prostatici = Development of an AI Algorithm for Detection and Characterization of Prostate Tumors

Sviluppo di un algoritmo di AI per la detection e la caratterizzazione di tumori prostatici Lo scopo di questa tesi è quello di sviluppare un algoritmo deep learning che aiuti il radiologo nella classificazione dell’aggressività di un tumore alla prostata. Ad oggi il tumore viene classificato principalmente dal radiologo che effettua una biopsia prelevando campioni di tessuto canceroso e determinandone l’aggressività mediante l’utilizzo del cosiddetto Gleason Grade (GG). Il progetto prevede di sviluppare un algoritmo deep learning che sfrutta le reti neurali convoluzionali su un set di immagini di 142 pazienti. Per ogni paziente sono state acquisite le immagini tramite MRI con 3 diverse tecniche: T2, ADC e DWI. L’algoritmo è stato realizzato per distinguere il set di pazienti in due classi GG = 2 (classe 0) e GG > 2 (classe 1) per distinguere i tumori clinicamente significativi, i quali necessitano di più attenzioni da quelli meno rischiosi per la salute del paziente. Le immagini mediche sono state prelevate con macchinari diversi; per questo motivo sono state preprocessate uniformandole e normalizzandole per rendere l’apprendimento della rete più efficiente. Il set è stato diviso in due gruppi, uno di training formato da 120 pazienti e uno di test che contiene il resto di 22 pazienti; per ogni rete sono state eseguite 5 prove utilizzando la procedura del cross_validation. Essa consiste nel dividere il training set in 5 parti e per ogni addestramento sono state prese 4 parti per il training set e una parte per il validation set, per ogni prova eseguita il validation set cambiava. Tale tecnica è stata impiegata per garantire l’affidabilità del modello. Inoltre, a causa del basso numero di elementi del set è stata applicata anche la tecnica di data augmentation: il training set già suddiviso con il validation è stato quadruplicato applicando leggere modifiche alle immagini iniziali, questo per rendere il modello più robusto e ridurre il problema dell’overfitting. Tra le varianti testate, la rete che ha ottenuto i migliori risultati ha dimostrato un'accuratezza del 68,18% e una sensibilità dell'81,82%, privilegiando l'identificazione dei tumori più gravi. I risultati ottenuti confermano le potenzialità dell'apprendimento profondo nell'assistere la diagnosi oncologica, riducendo il margine d'errore diagnostico e fornendo supporto agli specialisti per decisioni cliniche più informate.