Tecniche basate sull'intelligenza artificiale per caratterizzare la microstruttura renale su immagini istologiche (AI-TIME)

L’analisi istopatologica basata sulla morfologia del tessuto renale gioca un ruolo chiave nella diagnosi e nelle decisioni terapeutiche di molte malattie renali. Ad oggi, l’analisi istopatologica viene eseguita principalmente qualitativamente, mediante ispezione visiva, richiedendo patologi esperti altamente qualificati.

I risultati istopatologici vengono spesso valutati dai patologi utilizzando scale di classificazione diagnostica semiquantitativa, come la classificazione di Oxford della nefropatia da IgA, o scale di gravità della malattia. Nonostante tali sistemi di punteggio, l’analisi istopatologica rimane semiquantitativa, dispendiosa in termini di tempo e altamente dipendente dall’operatore. Sono state proposte tecniche manuali per valutare quantitativamente la microstruttura renale su immagini istologiche, mostrando il potenziale per monitorare la progressione della malattia e la risposta alla terapia nella malattia renale cronica (CKD). Ad esempio, il volume interstiziale peritubulare, responsabile di funzioni endocrine cruciali e sottoposto a un'espansione significativa, sebbene reversibile, nella CKD, è stato recentemente quantificato su campioni di biopsia renale mediante conteggio di punti su ciascun fotogramma. Nonostante consentano una quantificazione accurata, queste tecniche manuali richiedono molta manodopera e dipendono dall'operatore. Sarebbe altamente auspicabile una valutazione quantitativa rapida e obiettiva della microstruttura renale.

La digitalizzazione delle immagini istologiche, così come per le immagini diagnostiche, ha permesso di beneficiare di tecniche avanzate di analisi delle immagini che consentono l'identificazione e la segmentazione delle strutture istopatologiche rilevanti e la valutazione quantitativa della microstruttura dei tessuti.

Negli ultimi anni, le tecniche di Intelligenza Artificiale (AI) e, in particolare, di Deep Learning (DL) si sono mostrate promettenti per la segmentazione (semi)automatizzata di strutture morfologiche rilevanti su immagini istologiche, limitando la necessità di operatori esperti, garantendo riproducibilità e riducendo massicciamente la richiesta di tempo. Le reti neurali convoluzionali (CNN) hanno recentemente dimostrato prestazioni eccezionali nei compiti di segmentazione delle immagini, anche in campo medico. In particolare, sin dal loro primo utilizzo sono diventate sempre più popolari le cosiddette U-Net, costituite da un percorso in contrazione e da uno in espansione. Pochi studi, finora, hanno utilizzato le CNN per studiare la microstruttura del rene su immagini istologiche. Hermsen et al. hanno utilizzato le CNN per la segmentazione multiclasse di immagini istologiche da biopsie renali [8]. Uno studio simile mirava a sviluppare una CNN per la segmentazione delle strutture del tessuto renale del topo, come glomeruli, tubuli, arterie e vene, sulla base di immagini densamente annotate di diverse malattie renali e varie specie animali.

Nonostante questi promettenti sforzi preliminari, l’elevata eterogeneità dei modelli morfologici pone sfide alla generalizzabilità delle tecniche di segmentazione. Sarebbero altamente auspicabili metodi automatizzati basati su DL in grado di segmentare e quantificare accuratamente le strutture morfologiche rilevanti sulle immagini istologiche renali di pazienti con diverse patologie renali e/o diversi stadi della malattia.