Le informazioni contenute in questo sito sono destinate in via esclusiva agli operatori professionali della sanità in conformità all'art. 21 del D.Lgs. 24 febbraio 1997, n. 46 s.m.i e alle Linee Guida del Ministero della Salute del 17 febbraio 2010 e successivo aggiornamento del 18 marzo 2013. AccettoMaggiori informazioni

23 agosto 2019

Possibile utilizzare l’intelligenza artificiale per valutare lo stato ormonale delle pazienti con il carcinoma della mammella

1086_AI

L’anatomia patologia moderna per l’identificazione dei marcatori molecolari nei tessuti si basa su processi chimici. L’immunoistochimica (IHC) con l’impiego degli anticorpi monoclonali costituisce lo strumento principale della fenotipizzazione molecolare. Inoltre, l’interpretazione dei risultati è principalmente visiva e si basa sull’interpretazione soggettiva dell’anatomo-patologo. L’intelligenza artificiale e la tecnologia di apprendimento automatico si stanno diffondendo per la loro capacità di fare previsioni accurate. In anatomia patologia, le macchine che identificano rapidamente le caratteristiche istomorfologiche distintive sono in grado oggi di distinguere tra lesioni neoplastiche e non neoplastiche, identificare metastasi linfonodali, e classificare i tumori. È stato dimostrato che le macchine prevedono i dati clinici dalle immagini della biopsia identificando le caratteristiche morfologiche che non erano state viste dall’uomo. Partendo da questi presupposti, è stato dimostrato che la prognosi dei pazienti con carcinoma mammario, tradizionalmente determinata da un modello multifattoriale clinicopatologico, potrebbe essere predetta dalle immagini istologiche dei campioni del carcinoma ottenute colorate con ematossilina-eosina (H&E) utilizzando l’apprendimento automatico.
Gli Autori hanno progettato questo lavoro allo scopo di valutare la fattibilità di previsione dell’espressione molecolare dei biomarcatori nei tessuti tumorali, basandosi solo sull’architettura dei tessuti, come può essere rilevata utilizzando campioni digitalizzati colorati con (H&E). Per questo compito, hanno applicato i metodi di apprendimento automatico a un processo che hanno definito come “morphological-based molecular profiling” (MBMP – profiling molecolare basato sulla morfologia) per una determinazione sicura dell’espressione molecolare basata su immagini colorate con H&E. Hanno quindi applicato la MBMP su un archivio di campioni disponibili di 5.356 pazienti con carcinoma mammario per un corrispettivo di 20.600 sezioni digitalizzate, disponibili pubblicamente, per esplorare le associazioni tra le caratteristiche della morfologia dei tessuti e l’espressione di più biomarcatori molecolari. Gli Autori sono stati in grado di dimostrare che l’espressione dei biomarcatori molecolari è risultata significativamente associata all’istomorfologia dei tessuti. Il loro robusto modello di apprendimento è stato in grado di prevedere l’espressione del recettore degli estrogeni, esclusivamente dalle immagini colorate con ematossilina-eosina, con una precisione non inferiore all’immunoistochimica standard. Questi risultati suggeriscono che i modelli di apprendimento possono aiutare gli anatomo-patologi nella profilazione molecolare del cancro evitando tempi lunghi, riducendo i costi e la necessità di tecnici di laboratorio esperti.

Artificial Intelligence Algorithms to Assess Hormonal Status From Tissue Microarrays in Patients With Breast Cancer

Gil Shamai, Yoav Binenbaum, Ron Slossberg et al.

JAMA Netw Open. 2019;2(7):e197700

https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2739045