Biomarcatore radiopatomico basato sull'intelligenza artificiale per la predizione della risposta patologica nei pazienti con cancro del retto = A radio-pathomics AI-based biomarker to predict pathological response in patients with rectal cancer

Il cancro colorettale è tra i tumori più comuni e letali al mondo. Le principali terapie includono la chirurgia e la chemioterapia adiuvante, che però non è sempre vantaggiosa, specialmente per pazienti ad alto rischio di recidiva. In relazione a ciò, la patomica utilizza l'intelligenza artificiale per analizzare immagini di tessuti tumorali, fornendo informazioni molecolari e cellulari preziose che possono migliorare la diagnosi e la gestione clinica. Lo scopo di questa tesi è quello di sviluppare un biomarcatore per predire la risposta patologica nei pazienti con cancro al retto, sfruttando tecniche di machine learning che ricevono come input immagini istologiche digitalizzate. Nella prima fase del lavoro si avevano a disposizione 20 pazienti provenienti dal centro Niguarda, dalle cui immagini sono state estratte delle tiles di dimensioni 224x224 pixel ad alta risoluzione (0.5 µm/pixel). Successivamente sono state normalizzate con la color deconvolution di Macenko, quindi utilizzate come dataset e suddivise in Training e Test set. Con lo scopo di ottenere le segmentazioni dei tessuti tumorali, sono stati implementati due modelli di rete convoluzionale, ResNet18 e ResNet50, e inoltre, tramite l’approccio del transfer learning, è stata sfruttata una rete VGG19 precedentemente allenata su un task simile. Dopo una fase di tuning dei parametri, le prestazioni migliori sono state ottenute dalla VGG19, con un’accuratezza nel Training set del 79% e nel Test set del 82%. Occorre precisare che il dataset risultava essere sbilanciato, e per questo è stata calcolata anche l’accuratezza bilanciata, pari al 74%. Nella seconda fase del lavoro, sono stati aggiunti 116 nuovi pazienti, provenienti da diversi centri, tra cui l’ospedale Niguarda, l’ospedale Papa Giovanni XXIII, l’Istituto Oncologico Europeo e l’Istituto Oncologico Veneto. A partire da queste immagini sono state estratte delle tiles con le stesse caratteristiche delle precedenti, e queste sono state date in input alla rete VGG19, ottenendo le segmentazioni dei tessuti tumorali. Da queste sono state estratte 97 features tramite la libreria pyradiomics, e una volta aggregate le tiles per ciascun paziente, si sono ottenuti , tramite features selection, dei subset contenenti le features più correlate alle due classificazioni: “responder” e “not responder” al trattamento oncologico. Con questi subset sono stati allenati diversi classificatori, tra cui: Naive Bayes, K-Nearest Neighbours (KNN), Support vector machine (SVM), Decision Tree, Random Forest e diverse combinazioni di Multilayer Perceptron (MLP). Dalla comparazione dei modelli, si nota che i risultati ottenuti dal MLP si discostano molto dalle aspettative: ciò è dovuto probabilmente ad un numero insufficiente di features necessario ad una rete neurale, limitandone così la capacità di apprendimento. Tra i vari classificatori, le migliori prestazioni si sono ottenute dal Decision Tree, con accuratezza pari a 88% nel Training Set e 66% nel Test Set. In conclusione, i risultati ottenuti hanno evidenziato alcune limitazioni nella capacità del classificatore di generalizzare su nuovi dati, suggerendo che un ampliamento del dataset potrebbe migliorare le prestazioni riducendo l’overfitting. Tuttavia, questo studio ha posto le basi per lo sviluppo di un biomarcatore predittivo, aprendo nuove prospettive nell'uso dell'intelligenza artificiale per migliorare la predizione della risposta patologica nei pazienti con cancro del retto.