Exploring Digital Pathology for Tongue Tumour Tissue analysis using machine vision Techniques: An automated Approach

Nel silenzioso e cruciale mondo della diagnosi medica, l'occhio di un patologo è l'ultimo giudice. Quando un paziente presenta una crescita sospetta, un piccolo pezzo di tessuto viene rimosso e posto su un vetrino da microscopio. Sotto il microscopio, uno specialista cerca i segni rivelatori del cancro: cellule che hanno perso la loro forma, nuclei troppo grandi o tessuti che crescono dove non dovrebbero. Questo processo manuale è il gold standard per individuare i tumori, ma è anche lento, estenuante e incline all'errore umano. Anche i medici più esperti possono dissentire su ciò che vedono, e l'enorme volume di vetrini che devono esaminare può portare a fatica e dettagli mancati. La domanda che la medicina moderna si pone è se una macchina possa imparare a vedere questi schemi con la stessa precisione, ma senza la stanchezza, offrendo un secondo paio di occhi che non sbatte mai le palpebre.

Un team di ricercatori provenienti da istituzioni indiane ha compiuto un passo significativo verso la risposta a quella domanda, concentrandosi specificamente sui tumori della lingua e delle alte vie respiratorie. Hanno sviluppato un nuovo sistema informatico progettato per analizzare immagini digitali di questi campioni di tessuto. L'obiettivo non era solo individuare il cancro, ma classificarlo in categorie specifiche: escrescenze benigne che sono innocue, tumori maligni che sono pericolosi e displasia, che è una fase di avvertimento in cui le cellule stanno cambiando ma non sono ancora diventate completamente cancerose. Per farlo, i ricercatori hanno costruito un modello di intelligenza artificiale personalizzato che impara direttamente dalle immagini, piuttosto che affidarsi a software preesistenti addestrati su immagini generiche.

Il viaggio inizia con la materia prima: migliaia di immagini digitali scattate da vetrini di biopsia. Queste immagini non sono tutte uguali; sono catturate a tre diversi livelli di ingrandimento, proprio come si zooma su una mappa. Con una visualizzazione ampia, il computer vede la disposizione complessiva del tessuto. Con uno zoom medio, può individuare come crescono gli strati del tessuto. Con lo zoom massimo, può vedere le singole cellule e i loro nuclei. I ricercatori hanno capito che, per addestrare efficacemente un computer, dovevano prima pulire le immagini. I vetrini microscopici del mondo reale presentano spesso imperfezioni: colorazioni irregolari, bolle o ombre che possono confondere un computer. Il team ha creato una speciale fase di elaborazione dell'immagine per correggere questi problemi, dilatando i colori e il contrasto in modo che le parti importanti del tessuto risaltino chiaramente rispetto allo sfondo. Questo processo assicura che il computer osservi la biologia, non i difetti della preparazione del vetrino.

Una volta pulite le immagini, i ricercatori hanno introdotto il loro nuovo modello, che chiamano Rete Neurale Convoluzionale con Allungamento del Contrasto (Contrast Stretched Convolutional Neural Network). A differenza di molti altri sistemi di IA che sono costruiti impilando molti blocchi generici, questo modello è stato progettato da zero per gestire le esigenze specifiche dei vetrini medici. Non utilizza un approccio "taglia unica"; al contrario, è strutturato per osservare il tessuto a diverse scale simultaneamente, imitando il modo in cui un patologo umano sposta il focus dalla visione d'insieme ai dettagli fini. Il sistema impara a riconoscere le forme e le texture uniche delle cellule sane rispetto a quelle che stanno diventando cancerose. È stato addestrato su un dataset di oltre 5.000 immagini, che sono state accuratamente divise in modo che il computer potesse imparare da alcune ed essere testato su altre che non aveva mai visto prima.

I risultati di questo addestramento sono stati sorprendenti. Quando testato su nuove immagini, il modello ha identificato correttamente il tipo di tumore nel 98 percento dei casi. È stato in grado di distinguere tra infiammazione, escrescenze innocue e varie fasi del cancro con un livello di accuratezza che rivaleggia, e in alcuni casi supera, le prestazioni di altri modelli informatici avanzati che si basano su dati pre-addestrati. Il sistema ha dimostrato velocità di addestramento efficienti, raggiungendo un'alta accuratezza in soli 2 secondi per epoca durante la fase di apprendimento. I ricercatori hanno notato che il modello era particolarmente bravo a gestire le sottili differenze tra i cambiamenti precoci e il cancro conclamato, un compito che può essere difficile anche per gli esperti umani. Raggiungendo questo alto livello di accuratezza, lo studio suggerisce che tali sistemi automatizzati potrebbero un giorno fungere da partner affidabile per i patologi, aiutando a ridurre il tempo necessario per una diagnosi e garantendo che nessun tumore venga trascurato a causa della fatica umana.

Il lavoro non pretende di sostituire il medico, quanto piuttosto di fornire uno strumento potente che possa gestire il lavoro pesante dello screening iniziale. I ricercatori sottolineano che il loro approccio è trasparente; il modello impara direttamente dalle immagini mediche senza scorciatoie nascoste, rendendo le sue decisioni più facili da comprendere e fidarsi. Sebbene lo studio si sia concentrato sui tumori della lingua e delle vie aeree, il metodo offre un modello di come i computer possano essere istruiti a leggere il complesso linguaggio del tessuto umano. Tuttavia, gli autori notano che il costo computazionale del modello è un fattore che merita ulteriori studi, in particolare quando si elaborano campioni di dati multimodali eterogenei. Man mano che la tecnologia matura, essa porta la promessa di rendere la diagnosi oncologica di alta qualità più accessibile, trasformando un processo che un tempo richiedeva ore di intensa concentrazione in un controllo rapido e automatizzato che supporta gli esperti umani che si prendono cura dei pazienti.