Sviluppo di un sistema di diagnosi automatizzata per il riconoscimento della metaplasia intestinale gastrica da immagini endoscopiche = Development of a computer-aided diagnosis system for the recognition of gastric intestinal metaplasia from endoscopic images

Al giorno d’oggi la medicina si avvale sempre più spesso dell’intelligenza artificiale, in ogni suo ambito. Questa disciplina viene impiegata per garantire maggiore precisione ed efficienza, in particolar modo nelle tecniche di diagnostica per immagini. In questo lavoro è stata valutata la possibilità di utilizzare l’intelligenza artificiale nella diagnosi della metaplasia intestinale gastrica, un alto fattore di rischio per il carcinoma gastrico, nonché un suo precursore. Esso è il sesto tumore più comune al mondo con un tasso di sopravvivenza a 5 anni inferiore al 40%. La migliore arma di prevenzione è la diagnosi precoce della patologia. A tale scopo è stato sviluppato un sistema di diagnosi automatizzata che, a partire da immagini endoscopiche, riconosca la presenza della metaplasia. Il campione di immagini utilizzato è costituito da 95 acquisizioni gastroscopiche RGB, provenienti da 25 individui, di sesso maschile e femminile. Le immagini sono state acquisite tramite sonda endoscopica digitale i-scan della società PENTAX Medical e sono state fornite dall’azienda Ospedaliera Ordine Mauriziano di Torino, Ospedale Umberto I. Le acquisizioni rappresentano porzioni diverse dell’organo gastrico e sono suddivise in immagini provenienti da pazienti sani e da pazienti affetti da metaplasia intestinale gastrica. Quest’ultime sono affiancate da segmentazioni manuali effettuate da un medico, che circoscrivono la regione metaplastica. Le immagini sono processate in modo da estrarre solo le aree di interesse, successivamente vengono ripulite dagli artefatti indesiderati. Le immagini sono poi convertite in bianco-nero e in seguito vengono enfatizzati texture e pattern attraverso la tecnica di image sharpening, con l’utilizzo dei gradienti di Sobel. A valle del pre-processing le immagini sono state suddivise in piccole regioni di interesse (ROI) di dimensioni 50×50 pixel, con una sovrapposizione bidirezionale del 40%. Per ogni singola ROI sono state estratte 35 feature, ridotte successivamente a 32, suddivise in caratteristiche del primo ordine, GLCM (gray level co-occurrence matrix), GLRLM (gray level run length matrix) e caratteristiche nel dominio della frequenza. Un classificatore d’insieme di tipo random forest è stato addestrato con un dataset di circa 50.600 osservazioni. Il modello è stato validato con la 5-fold cross-validation e testato su un dataset di circa 16.900 campioni. Le maschere di segmentazione in uscita dal classificatore subiscono un processo di pulizia e affinamento tramite l’algoritmo DBSCAN, rimuovendo parte del rumore. A valle del post-processing il set di test ha ottenuto i seguenti risultati. Un’accuratezza nella classificazione delle ROI pari al 90,5%, con una sensibilità dell’88,8% e una specificità del 92,3%. Le maschere di segmentazione hanno ottenuto un indice Sørensen-Dice medio sull’intero dataset di 0,612. Il dataset di immagini è stato classificato correttamente in circa il 99% dei casi, sbagliando 1 immagine su 95. Poiché le funzioni e gli algoritmi implementati potrebbero risultare ostici per un utente non esperto in programmazione e calcolo numerico è stata creata un'interfaccia grafica (GUI), semplice e intuitiva. Nella GUI è stata implementata una mappa di calore per la visualizzazione delle aree potenzialmente metaplastiche, in scala di colore giallo-rosso. Inoltre è stata introdotta un’indicazione semaforica con lo scopo di fornire al medico un’informazione oggettiva sull’entità della lesione metaplastica, basata sull’estensione dell’anomalia rilevata.