IA individua tipo e stadio di cancro al seno

Roma – Un modello di intelligenza artificiale ha identificato alcuni stadi del tumore al seno con marcate probabilità di progredire verso un cancro invasivo. Lo rivela uno studio condotto da un gruppo interdisciplinare di ricercatori del MIT e del Politecnico di Zurigo, riportato su Nature Communications. Il modello potrebbe aiutare i medici a valutare lo stadio del tumore al seno e, in ultima analisi, a ridurre il sovratrattamento. Il carcinoma duttale in situ, o DCIS, è un tipo di tumore preinvasivo che, talvolta progredisce in una forma altamente letale di cancro al seno e rappresenta circa il 25% di tutte le diagnosi di cancro al seno. Poiché è difficile per i medici determinare il tipo e lo stadio del DCIS, le pazienti con DCIS sono spesso subiscono trattamenti troppo aggressivi. Per risolvere questo problema, la squadra di ricerca ha sviluppato un modello di intelligenza artificiale in grado di identificare i diversi stadi del DCIS a partire da un’immagine del tessuto mammario, economica e facile da ottenere. Il modello ha dimostrato che sia lo stato che la disposizione delle cellule in un campione di tessuto sono importanti per determinare lo stadio del DCIS. Grazie alla facilità di ottenere queste immagini di tessuto, i ricercatori sono riusciti a costruire uno dei più grandi set di dati di questo tipo, che hanno utilizzato per addestrare e testare il loro modello. Quando hanno confrontato le sue previsioni con le conclusioni di un patologo, hanno riscontrato un chiaro accordo in molti casi. In futuro, il modello potrebbe essere utilizzato come strumento per aiutare i medici a semplificare la diagnosi dei casi più semplici, senza la necessità di eseguire test impegnativi, dando loro più tempo per valutare i casi in cui è meno chiaro se il DCIS diventerà invasivo. “Abbiamo fatto il primo passo per capire che dovremmo guardare all’organizzazione spaziale delle cellule quando diagnostichiamo il DCIS, e ora abbiamo sviluppato una tecnica che è scalabile”, ha detto Caroline Uhler, del Laboratory for Information and Decision Systems, LIDS, del MIT, del Dipartimento di Ingegneria Elettrica e Informatica, EECS, e dell’Istituto per i Dati, i Sistemi e la Società, IDSS, che dirige anche il Centro Eric e Wendy Schmidt presso il Broad Institute del MIT. “Da qui – ha continuato Uhler – abbiamo bisogno di uno studio prospettico”. “Lavorare con un ospedale e portare questa tecnica fino alla clinica sarà un importante passo avanti”, ha affermato Uhler, che è autore di un articolo su questa ricerca ed è affiancato dall’autore principale, Xinyi Zhang, studente laureato in EECS e presso l’Eric and Wendy Schmidt Center; dall’autore GV Shivashankar, professore di mecogenomica presso il Politecnico di Zurigo in collaborazione con l’Istituto Paul Scherrer; e da altri ricercatori del MIT, del Politecnico di Zurigo e dell’Università di Palermo in Italia. Tra il 30 e il 50% delle pazienti con DCIS sviluppano uno stadio altamente invasivo del cancro, ma i ricercatori non conoscono i biomarcatori che potrebbero indicare al medico quali tumori progrediranno. Gli scienziati possono utilizzare tecniche come la colorazione multiplexata o il sequenziamento dell’RNA di una singola cellula per determinare lo stadio del DCIS in campioni di tessuto. “Tuttavia, questi test sono troppo costosi per essere eseguiti su larga scala”, ha spiegato Shivashankar. In un lavoro precedente, i ricercatori hanno dimostrato che una tecnica di imaging a basso costo, nota come colorazione della cromatina, potrebbe essere altrettanto informativa del sequenziamento dell’RNA a singola cellula, molto più costoso. Per questa ricerca, hanno ipotizzato che la combinazione di questa singola macchia con un modello di apprendimento automatico accuratamente progettato potesse fornire le stesse informazioni sullo stadio del cancro delle tecniche più costose. In primo luogo, hanno creato un set di dati contenente 560 immagini di campioni di tessuto provenienti da 122 pazienti in tre diversi stadi della malattia. Poi hanno usato questo set di dati per addestrare un modello di intelligenza artificiale che impara una rappresentazione dello stato di ogni cellula in un’immagine di campione di tessuto, che utilizza per dedurre lo stadio del cancro di un paziente. Tuttavia, non tutte le cellule sono indicative di cancro, quindi i ricercatori hanno dovuto aggregarle in modo significativo. In seguito, hanno progettato il modello per creare raggruppamenti di cellule in stati simili, identificando otto stati che sono importanti marcatori di DCIS. Alcuni stati cellulari sono più indicativi di cancro invasivo di altri. Il modello determina la proporzione di cellule in ciascuno stato in un campione di tessuto. “Ma, nel cancro cambia anche l’organizzazione delle cellule: non basta avere le proporzioni di cellule in ogni stato, bisogna anche capire come sono organizzate le cellule”, ha dihiarato Shivashankar. Grazie a questa intuizione, i ricercatori hanno progettato il modello in modo che tenesse conto delle proporzioni e della disposizione degli stati cellulari, aumentando così in modo significativo la sua precisione. “La cosa interessante per noi è stata vedere quanto conta l’organizzazione spaziale. studi precedenti avevano dimostrato che le cellule vicine al dotto mammario sono importanti, ma è importante anche considerare quali cellule sono vicine a quali altre cellule”, ha sottolineato Zhang. Quando hanno confrontato i risultati del loro modello con i campioni valutati da un patologo, in molti casi hanno trovato un chiaro accordo. Nei casi meno chiari, il modello poteva fornire informazioni sulle caratteristiche di un campione di tessuto, come l’organizzazione delle cellule, che il patologo poteva utilizzare nel processo decisionale. Questo modello versatile potrebbe anche essere adattato per l’uso in altri tipi di cancro o persino in condizioni neurodegenerative, un’area che i ricercatori stanno attualmente esplorando. “Abbiamo dimostrato che, con le giuste tecniche di intelligenza artificiale, questa semplice macchia può essere molto potente”, ha evidenziato Uhler.” “C’è ancora molta ricerca da fare, ma dobbiamo tenere conto dell’organizzazione delle cellule in un numero maggiore di studi”, ha concluso Uhler.(30Science.com)