CaresAI at SMM4H-HeaRD 2026: Predicting TNM Staging

Immagina di essere un detective che cerca di risolvere un complesso mistero medico. Gli indizi sono nascosti all'interno di lunghi, disordinati rapporti scritti in stile manuale dai patologi (medici che esaminano campioni di tessuto). Questi rapporti descrivono il cancro di un paziente, ma non sempre indicano la risposta chiaramente. Il tuo compito è capire tre cose specifiche sul cancro:

1. T (Tumore): Quanto è grande la massa principale e quanto è penetrata nei tessuti circostanti?
2. N (Linfonodo): Il cancro si è diffuso ai linfonodi vicini (i checkpoint di sicurezza del corpo)?
3. M (Metastasi): Il cancro è fuggito in altre parti del corpo interamente?

Questo è chiamato Stadiazione TNM, ed è il "tabellone dei punteggi" che i medici usano per decidere come trattare un paziente. Il team di CaresAI è entrato in una competizione (SMM4H-HeaRD 2026) per costruire un programma per computer capace di leggere questi disordinati rapporti e indovinare automaticamente i punteggi T, N e M.

Ecco come ci sono riusciti, spiegato in modo semplice:

1. La Sfida: Leggere le "Note a Margine"

I rapporti che hanno utilizzato provenivano da un enorme database chiamato TCGA. Pensa a questi rapporti come a migliaia di romanzi diversi scritti da autori diversi. Alcuni sono brevi, altri sono enormi, alcuni usano un gergo medico ricercato, altri sono vaghi.

• Il Problema: I dati erano "sbilanciati". Immagina un sacchetto di biglie dove il 93% è bianco (assenza di diffusione del cancro) e solo il 7% è nero (presenza di diffusione del cancro). Se indoviniassi "bianco" ogni volta, avresti ragione la maggior parte delle volte, ma perderesti le pericolose biglie nere. Il computer doveva imparare a individuare gli indizi rari e pericolosi.

2. Gli Strumenti: Due Modi Diversi di "Leggere"

Il team ha provato due modi principali per insegnare al computer come comprendere il testo:

• Metodo A: Il "Contatore di Parole Chiave" (TF-IDF & LightGBM)
  Pensa a questo come a un bibliotecario che conta quante volte appaiono parole specifiche. Se un rapporto menziona "metastasi" o "diffusione" spesso, il computer lo segnala. Hanno usato un algoritmo intelligente chiamato LightGBM (che è come un albero decisionale super veloce e organizzato) per analizzare questi conteggi di parole.

  • Risultato: Questo era il campione. Era molto bravo a individuare i modelli nel testo, quasi come un detective esperto che sa esattamente quali parole cercare.

• Metodo B: Il "Pensatore Profondo" (Modelli BERT & Reti Neurali)
  Questo approccio utilizzava modelli di IA avanzati (ClinicalBERT, BioBERT) che hanno già letto milioni di libri medici. Invece di limitarsi a contare le parole, questi modelli cercano di comprendere il significato e il contesto delle frasi. Hanno poi inserito questa "comprensione" in una Wide Residual Network (WRN), che è un tipo di rete computerizzata simile al cervello, progettata per individuare schemi complessi.

  • Risultato: Questo metodo è stato un po' più altalenante. Sebbene comprendesse bene l' "atmosfera" del testo, a volte si confondeva rispetto ai dettagli specifici del contatore di parole chiave.

3. I Risultati: Quanto sono stati bravi?

Il team ha testato i loro "detective" su due diversi set di nuovi rapporti mai visti prima (Test Set 1 e Test Set 2).

• La Buona Notizia: Nel primo set di test, il computer è stato incredibilmente accurato. Ha ottenuto un punteggio di 0,978 (su un massimo di 1,0) per lo stadio del Tumore e 0,957 per lo stadio del Linfonodo. Era come un detective che risolve quasi ogni caso perfettamente.
• La Cattiva Notizia: Quando si sono spostati sul secondo set di test, i punteggi sono scesi (intorno a 0,80).
  • Perché? Il documento spiega che il computer si è "viziatoc" con il primo set di dati. Ha imparato troppo bene i modelli specifici dei dati di addestramento (un problema chiamato overfitting). Quando incontrava un rapporto leggermente diverso o più lungo del solito, si confondeva. Inoltre, poiché i casi "pericolosi" (come la diffusione del cancro) erano così rari nei dati di addestramento, il computer faceva fatica a riconoscerli quando apparivano in nuovi rapporti complicati.

4. Le Limitazioni: Perché non è ancora pronto per l'ospedale

Gli autori sono molto onesti su ciò che il loro strumento non può ancora fare:

• Il Problema del "Limite di Pagine": I modelli di IA che hanno usato possono leggere solo circa 512 parole alla volta. Molti di questi rapporti medici sono molto più lunghi. È come cercare di leggere un intero romanzo ma avere il permesso di leggere solo le prime poche pagine; il computer perde la fine e gli indizi importanti.
• Il Problema dell' "Evento Raro": Poiché i casi di "diffusione del cancro" erano così rari nei dati di addestramento, il computer è ancora un po' influenzato da un pregiudizio. È più sicuro dire "nessuna diffusione" piuttosto che scommettere sulla "diffusione", il che significa che potrebbe mancare alcuni casi reali.
• Non è un Medico: Il documento afferma esplicitamente che, sebbene questo sia un ottimo "punto di partenza" (baseline), non è ancora abbastanza affidabile per essere utilizzato in un vero ospedale per prendere decisioni di vita o di morte; ha bisogno di più addestramento e di una migliore gestione dei documenti lunghi.

In sintesi

Il team di CaresAI ha costruito un programma per computer in grado di leggere i rapporti oncologici e indovinare lo stadio della malattia con un'accuratezza impressionante sui dati familiari. Hanno scoperto che un semplice metodo di "conteggio delle parole chiave" (LightGBM) funzionava in realtà meglio della sofisticata IA del "pensiero profondo" per questo compito specifico.

Tuttavia, proprio come uno studente che supera un test di prova ma fatica all'esame reale perché le domande sono leggermente diverse, questa IA ha bisogno di ulteriore lavoro per gestire i casi disordinati, lunghi e rari che si trovano nel mondo reale prima di poter essere affidata ai medici. Per ora, è uno strumento potente per la ricerca e un ottimo punto di partenza per futuri miglioramenti.