Multi-Class Gastric Histopathology Classification Using a Hybrid Swin Transformer–ConvNeXt Model
Questo articolo presenta un modello di deep learning ibrido Swin Transformer–ConvNeXt, integrato con un'interfaccia web basata su Flask, che raggiunge un'accuratezza del 75,35% nella classificazione di immagini istopatologiche gastriche in otto distinti tipi di tessuto per assistere i patologi nella diagnosi del cancro gastrico.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Ogni anno, circa 660.000 persone perdono la vita a causa del tumore allo stomaco, una malattia in cui la differenza tra la vita e la morte spesso dipende da quanto precocemente viene individuata. Lo standard attuale per la diagnosi si affida a un patologo, uno specialista medico altamente qualificato, che osserva attraverso un microscopio sottili fette di tessuto colorate con tinture colorate. Questo esperto umano deve identificare modelli sottili nel paesaggio cellulare per distinguere il tessuto sano dalle escrescenze cancerose. Tuttavia, questo processo è lento, impegnativo e soggetto all'errore umano; due medici esperti che guardano lo stesso vetrino potrebbero non sempre concordare su ciò che vedono. Con l'aumentare del numero di pazienti, il divario tra il bisogno di diagnosi e la disponibilità di specialisti si amplia, creando un collo di bottiglia che ritarda il trattamento. Negli ultimi anni, gli scienziati si sono rivolti all'intelligenza artificiale per aiutare ad affrontare questo carico, insegnando ai computer a riconoscere modelli nelle immagini mediche che potrebbero essere troppo deboli o complessi per essere colti costantemente dall'occhio umano.
Un team di ricercatori dal Pakistan ha compiuto un passo significativo in avanti in questo campo creando un nuovo sistema informatico progettato per analizzare il tessuto dello stomaco con maggiore precisione. Invece di chiedere semplicemente a un computer di decidere se un campione è "cancro" o "non cancro", hanno costruito uno strumento in grado di classificare il tessuto in otto categorie distinte. Questa è una distinzione cruciale perché sapere esattamente quale tipo di tessuto non canceroso è presente — che si tratti di grasso, muscolo, muco o cellule immunitarie — fornisce un contesto vitale per la diagnosi complessiva di un medico. I ricercatori hanno sviluppato un sistema ibrido che combina due diversi tipi di modelli di intelligenza artificiale. Un modello, ispirato al modo in cui gli esseri umani elaborano il linguaggio, è eccellente nel comprendere la disposizione generale e ampia del tessuto. L'altro modello, basato su tecniche tradizionali di elaborazione delle immagini, è eccezionalmente bravo a individuare i dettagli minuscoli e fini, le texture dove spesso si nascondono i primi segni della malattia. Lasciando che questi due modelli lavorino insieme e votino sulla risposta finale, il sistema crea un quadro più completo di quello che ognuno potrebbe raggiungere da solo.
Per testare la loro idea, il team ha utilizzato una vasta collezione di immagini digitali scattate da campioni di tessuto dello stomaco, che hanno pulito utilizzando una sequenza specifica di passaggi per rimuovere il rumore e accentuare il contrasto. Hanno poi addestrato il loro sistema ibrido su queste immagini, insegnandogli a riconoscere gli otto diversi tipi di tessuto: tessuto tumorale, grasso, detriti, linfociti (cellule immunitarie), muco, muscolo liscio, rivestimento gastrico normale e un tessuto di supporto chiamato stroma. Il sistema è stato testato su immagini che non aveva mai visto prima, e ha identificato correttamente il tipo di tessuto circa il 75 percento delle volte. Sebbene questo possa sembrare un punteggio modesto, è stato un chiaro miglioramento rispetto ai sistemi a modello singolo che i ricercatori hanno provato per confronto, i quali faticavano a raggiungere lo stesso livello di accuratezza. L'approccio ibrido ha dimostrato che combinare la visione d'insieme di un modello con la visione ravvicinata dell'altro era una strategia più efficace per questo compito complesso.
I ricercatori non si sono fermati al semplice sviluppo di un modello; lo hanno racchiuso in un'applicazione software funzionante che chiunque con un browser web può utilizzare. Un utente può caricare l'immagine di un vetrino di tessuto e, entro pochi secondi, il sistema restituisce una previsione di ciò che sia il tessuto, insieme a un punteggio di confidenza e una spiegazione in linguaggio semplice del risultato. Il sistema conserva inoltre un registro delle analisi passate, consentendo ai medici o ai ricercatori di consultare i risultati precedenti. Il team è stato attento a sottolineare che questo sistema è attualmente un prototipo di ricerca, non uno strumento pronto per l'uso immediato in un ospedale. L'accuratezza, pur essendo promettente, non è ancora sufficiente per sostituire un medico umano, e il sistema a volte confonde due tipi specifici di tessuto sano che appaiono molto simili tra loro. Inoltre, il sistema è stato addestrato su immagini provenienti da una singola fonte, quindi non è chiaro come si comporterebbe su campioni provenienti da diversi ospedali o con diversi metodi di colorazione.
Nonostante queste limitazioni, il lavoro offre un percorso chiaro da seguire. Lo studio suggerisce che il futuro della patologia assistita dal computer risiede nel combinare diversi tipi di intelligenza artificiale per catturare l'intera gamma di informazioni in un campione di tessuto. I ricercatori intendono migliorare il loro sistema aggiungendo spiegazioni visive che mostrino esattamente quali parti dell'immagine hanno portato a una specifica conclusione, una caratteristica che aiuterebbe i medici a fidarsi del giudizio della macchina. Mirano anche ad addestrare il sistema su un insieme di immagini molto più grande e diversificato per ridurre la confusione tra tessuti simili. Colmando il divario tra i dati grezzi e un'interfaccia utilizzabile, questo progetto dimostra che, sebbene l'intelligenza artificiale non sia ancora una sostituzione dell'esperienza umana, sta diventando un potente partner nel lungo e difficile lavoro di diagnosi del cancro.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.