Sviluppo di un algoritmo automatico per l'assegnazione dello score di Gleason in immagini istopatologiche di prostata = Development of an automatic algorithm for assigning Gleason score to histopathological images of prostate

Il cancro alla prostata rappresenta tutt'oggi il 20% di tutti i tumori diagnosticati nell'uomo. E' il secondo tumore più comune dopo il cancro al polmone ed è al terzo posto per mortalità dopo il cancro al polmone e il cancro al colon. Molto raramente si presenta prima dei 40 anni e la sua probabilità di incidenza cresce all'aumentare dell'età fino ad arrivare ad una percentuale del 75 negli uomini dagli 80 anni in su. Come tutti i tumori, il cancro prostatico è caratterizzato dalla crescita e dall'espansione incontrollata delle cellule della ghiandola prostatica. La sua diagnosi è affidata all'ispezione della biopsia prostatica da parte di un patologo esperto, in grado di individuare il tumore ed assegnare un punteggio di malignità detto score di Gleason. La scala di Gleason, ideata dal Dr Donald Gleason rappresenta il sistema di prognosi più importante per il cancro prostatico e valuta la struttura ghiandolare assegnando una delle seguenti classi: Benigno, Gleason 3, Gleason 4 e Gleason 5. Un punteggio alto indica una grave malignità del tumore con perdita progressiva della caratteristica struttura ghiandolare. Sebbene la scala di Gleason faccia parte di un protocollo standard ideato da patologi, la valutazione visiva della biopsia prostatica è caratterizzata da soggettività e variabilità. Siccome la terapia da seguire dipende dalla gravità e dalla malignità del tumore, è importante ridurre al minimo l'errore di assegnazione dello score di Gleason. L'obiettivo del seguente lavoro di tesi è la realizzazione di un sistema automatico in grado di assegnare un corretto score di Gleason alle zone tumorali prostatiche. E' stato sfruttato il dataset pubblico di Arvaniti et al. composto da 886 immagini di TMA (tissue microarrays). Per la realizzazione dell'algoritmo sono state utilizzate le reti neurali convoluzionali (CNN) che nell'ambito del machine learning rappresentano un approccio valido ed interessante per la classificazione di immagini istopatologiche. Sono state valutate le performance su diversi classificatori che sfruttano le CNN per distinguere 4 classi (Benigno, Gleason 3, Gleason 4 e Gleason 5). Le reti sono state allenate con le patch estratte dalle immagini tramite un algoritmo automatico di estrazione intelligente guidato dall'anatomia microscopica delle biopsie analizzate. Il classificatore con le prestazioni migliori è stato successivamente testato su nuove immagini al fine di calcolare lo score di Gleason globale e confrontarlo con l'assegnazione di due patologi esperti. Questo sistema, ulteriormente ottimizzabile, può ridurre i tempi di analisi bioptica e fornire un supporto ad un patologo come seconda opinione al fine di assegnare uno score di Gleason corretto e poter individuare la terapia più consona per il paziente.