Diagnosi tra adenoma e carcinoma surrenalico tramite metodi di intelligenza artificiale. = Diagnosis between Adrenal Adenoma and Adrenal Carcinoma Using Artificial Intelligence Methods.

Negli ultimi anni, l’intelligenza artificiale ha compiuto progressi significativi in diversi ambiti, tra cui la medicina, dove viene sempre più impiegata per supportare i medici nella diagnosi, nelle decisioni terapeutiche e nell’ottimizzazione dei processi clinici. In particolare, l’analisi di immagini mediche tramite reti neurali ha rivoluzionato il campo della diagnostica, consentendo di automatizzare la classificazione di tessuti, identificare precocemente patologie e fornire un supporto oggettivo alla valutazione clinica. Il presente lavoro si propone di contribuire a questa evoluzione sviluppando un modello di deep learning basato su una rete neurale convoluzionale, nello specifico una ResNet-18, per la classificazione e l’analisi di immagini istologiche del tessuto surrenale colorate con una tecnica speciale che evidenzia la struttura della reticolina. L'obiettivo è fornire agli operatori sanitari uno strumento di supporto per migliorare l’identificazione e la caratterizzazione delle masse tumorali del surrene. I tumori surrenalici rappresentano una condizione relativamente comune nella popolazione mondiale e, sebbene nella maggior parte dei casi siano di natura benigna, in alcune situazioni possono evolvere in forme maligne. La difficoltà principale nella gestione di questi tumori risiede proprio nella determinazione della loro malignità, un aspetto cruciale per definire il percorso terapeutico più adeguato. Per affrontare questa sfida, il modello proposto non si limiterà a classificare le immagini, ma genererà mappe di calore che evidenzieranno visivamente le aree di interesse, distinguendo i diversi tipi di tessuto e facilitando l’interpretazione da parte degli specialisti. Il lavoro sarà articolato in diverse sezioni. Nei capitoli iniziali verrà fornita una panoramica sui tumori del surrene, illustrandone l’epidemiologia, le caratteristiche cliniche e i principali metodi diagnostici, con un focus particolare sulla colorazione reticolare e sul suo ruolo nell'analisi istopatologica. Successivamente, verrà descritta in dettaglio la preparazione del dataset, le strategie di pre-processing delle immagini e le tecniche di data augmentation adottate per migliorare la generalizzazione del modello. Seguirà la spiegazione della rete neurale utilizzata, approfondendo la struttura della ResNet-18, le modifiche implementate per ottimizzare le prestazioni e i criteri adottati per l’addestramento. Infine, verranno presentati e discussi i risultati ottenuti, analizzando le prestazioni del modello, i limiti riscontrati e le possibili direzioni future per migliorare ulteriormente l’approccio proposto. Grazie all'integrazione dell'intelligenza artificiale nell'analisi istologica, questo lavoro si propone di offrire un contributo concreto alla diagnosi precoce e alla comprensione delle neoplasie surrenaliche, con l’obiettivo di supportare il personale medico nell’identificazione di tumori maligni e nel miglioramento dell’accuratezza diagnostica.