Modello AI per la classificazione del cancro al seno dalle immagini istopatologiche

Il cancro al seno, una malattia diffusa e potenzialmente fatale, sottolinea l’urgente necessità di una diagnosi precoce e precisa per migliorare i risultati per i pazienti. L'attuale quadro diagnostico, caratterizzato dall'esame istopatologico manuale, presenta inconvenienti intrinseci quali soggettività e produttività limitata. In risposta, la nostra ricerca mira a trasformare la diagnostica del cancro al seno sfruttando tecniche computazionali avanzate, in particolare il deep learning. Il cancro al seno può essere classificato in due sottotipi principali: invasivo e non invasivo.

Il cancro al seno non invasivo, spesso definito cancro al seno in situ, è caratterizzato da cellule anomale confinate all'interno dei dotti lattiferi (carcinoma duttale in situ o DCIS) o nei lobuli (carcinoma lobulare in situ o LCIS) senza invadere i tessuti circostanti. Questo tipo è considerato uno stadio iniziale e in genere non è pericoloso per la vita da solo. I tumori al seno invasivi sono quelli che si diffondono dal sito originale (i dotti lattiferi o i lobuli) al tessuto mammario circostante. Questi costituiscono circa il 70% di tutti i casi di cancro al seno e generalmente hanno una prognosi peggiore rispetto ai sottotipi in situ.

L'imaging medico del seno può essere acquisito attraverso varie tecniche, come scansioni MRI, mammografia, ecografia, termografia, scansioni di tomografia computerizzata e istopatologia. Tra questi approcci, il test istopatologico costituisce il gold standard per la diagnosi clinica del cancro.

Il modello di intelligenza artificiale proposto mira a semplificare e migliorare l’analisi delle immagini istopatologiche per la classificazione del cancro al seno invasivo e non invasivo, superando i metodi convenzionali e fornendo un mezzo affidabile per identificare le regioni cancerose. Ciò promette di migliorare significativamente l’accuratezza e l’efficienza della diagnostica del cancro al seno, soddisfacendo l’urgente necessità di soluzioni affidabili e scalabili. Automatizzando il complesso processo di analisi delle immagini istopatologiche del cancro al seno, il nostro obiettivo è democratizzare lo screening, rendendolo più accessibile e raggiungendo le popolazioni meno servite. Inoltre, il nostro modello va oltre l’innovazione tecnologica; affronta questioni più ampie di accessibilità e scalabilità, in particolare nei contesti a basso reddito. L'attenzione della ricerca sull'adattamento del dominio è cruciale, garantendo l'accuratezza e l'affidabilità del modello in varie strutture sanitarie. Ciò comporta l’adattamento alle differenze di risorse, attrezzature e fattori demografici, rendendola una soluzione versatile e adattabile a diversi contesti.

In sintesi, la nostra ricerca non mira solo a far avanzare la frontiera tecnologica nella diagnostica del cancro al seno, ma cerca anche di promuovere un cambiamento trasformativo in termini di accessibilità, efficienza e affidabilità. Sviluppando un modello di intelligenza artificiale che affronta le sfide specifiche dei metodi tradizionali, miriamo ad avere un impatto significativo sullo screening del cancro al seno, portando in ultima analisi a una diagnosi precoce, a un trattamento su misura e a risultati migliori per le pazienti di tutto il mondo.