Rilevamento e classificazione debolmente supervisionati del carcinoma basocellulare utilizzando il grafico

Rapporti scientifici volume 13, numero articolo: 7555 (2023) Citare questo articolo

328 accessi

3 Altmetrico

Dettagli sulle metriche

Gli alti tassi di incidenza del carcinoma basocellulare (BCC) causano un onere significativo nei laboratori di patologia. Il processo diagnostico standard richiede molto tempo ed è soggetto a variabilità interpatologo. Nonostante l’applicazione di approcci di deep learning nella classificazione di altri tipi di cancro, esiste una letteratura limitata sull’applicazione dei trasformatori di visione al BCC su immagini di diapositive intere (WSI). Un totale di 1832 WSI da 479 BCC, suddivisi in set di formazione e convalida (1435 WSI da 369 BCC) e test (397 WSI da 110 BCC), sono stati debolmente annotati in quattro sottotipi di aggressività. Abbiamo utilizzato una combinazione di una rete neurale grafica e un trasformatore di visione per (1) rilevare la presenza del tumore (due classi), (2) classificare il tumore in sottotipi a basso e ad alto rischio (tre classi) e (3) classificarne quattro sottotipi di aggressività (cinque classi). Utilizzando un modello ensemble composto dai modelli di convalida incrociata, sono state ottenute accuratezze del 93,5%, 86,4% e 72% rispettivamente su classificazioni di due, tre e cinque classi. Questi risultati mostrano un'elevata precisione sia nel rilevamento del tumore che nella classificazione dei BCC. L'uso dell'analisi WSI automatizzata potrebbe aumentare l'efficienza del flusso di lavoro.

Il carcinoma basocellulare è la forma più comune di cancro della pelle negli esseri umani. L'incidenza è pari a quella di tutti gli altri tumori combinati1. Inoltre, il numero di casi di BCC è in aumento a livello globale2,3,4. Sebbene le metastasi e la morte siano rare, i BCC possono causare una significativa morbilità a causa della crescita locale aggressiva e distruttiva5.

I BCC sono un gruppo eterogeneo di tumori con diversi modelli di crescita. A livello internazionale, i BCC sono classificati in due grandi categorie in base alle caratteristiche istopatologiche: sottotipi a basso e ad alto rischio6. Queste categorie possono essere ulteriormente classificate in sottoclassi. I patologi svedesi, ad esempio, classificano i BCC secondo il "modello Sabbatsberg" che comprende tre categorie di rischio: (a) sottotipi "a bassa aggressività" che sono ulteriormente suddivisi in superficiale (tipo Ib) e nodulare (tipo Ia), e (b ) "medio-aggressivo" (tipo II) che comprende sottotipi infiltrativi meno aggressivi che crescono in modo più definito e più superficiale rispetto ai tumori altamente aggressivi e (c) "alto-aggressivo" (tipo III), più sottotipi della forma aggressiva, infiltrativa e morfea7. La corretta valutazione del sottotipo è fondamentale per pianificare il relativo trattamento. Tuttavia, esiste una significativa variabilità interpatologica nel classificare i tumori8 e nel riportare il sottotipo9,10.

Inoltre, dato il lungo processo di valutazione dei vetrini istologici combinato con un numero crescente di campioni, si ritarda la diagnosi e si aumentano i costi11. Per ridurre i tempi di diagnosi e le variazioni tra osservatori, sono stati studiati attivamente approcci di deep learning12. L'apprendimento profondo consente l'implementazione dell'analisi computazionale delle immagini in patologia, che offre il potenziale per aumentare l'accuratezza della classificazione e ridurre la variabilità tra osservatori13,14. È interessante notare che possono essere rivelate anche caratteristiche morfologiche sconosciute associate al rischio metastatico, alla sopravvivenza libera da malattia e alla prognosi15,16.

Nei primi lavori di ricerca i metodi di istologia computazionale richiedevano annotazioni pixel-wise, cioè la delineazione di regioni specifiche sul WSI da parte dei patologi17. L'uso dell'annotazione pixel-wise, tuttavia, richiede molto tempo. Inoltre, tali approcci non si generalizzano ai dati del mondo reale18. In alternativa, un quadro di apprendimento scarsamente supervisionato è stato un metodo ampiamente adottato per la classificazione WSI. La tecnica comune nell’apprendimento debolmente supervisionato è l’apprendimento multi-istanza (MIL)19. Questo approccio può utilizzare etichette a livello WSI, ovvero etichette non associate a una regione specifica, senza perdere prestazioni20. La tecnica tratta l'insieme di istanze (patch di una WSI) come un sacchetto. Il semplice caso di un patch positivo rende la borsa (WSI) positiva, altrimenti viene trattata come negativa. MIL richiede che le WSI siano suddivise in una serie di patch, spesso senza la necessità di data curation18.