Strumento di intelligenza artificiale sviluppato per aiutare a fare diagnosi in tempo reale durante l’intervento chirurgico
Il modello di apprendimento profondo ha migliorato la qualità dell’immagine dei campioni di tessuto congelato per aumentare l’accuratezza della diagnostica delle patologie critiche in termini di tempo
Quando un paziente si sottopone a un intervento chirurgico per rimuovere un tumore o curare una malattia, il decorso dell’intervento spesso non è predeterminato. Per decidere quanto tessuto deve essere rimosso, i chirurghi devono sapere di più sulla condizione che stanno trattando, inclusi i margini di un tumore, il suo stadio e se una lesione è maligna o benigna, determinazioni che spesso dipendono dalla raccolta, dall’analisi e dalla diagnosi di una malattia mentre il paziente è sul tavolo operatorio. Quando i chirurghi inviano campioni a un patologo per l’esame, sia la velocità che la precisione sono essenziali. L’attuale approccio gold standard per l’esame dei tessuti richiede spesso troppo tempo e un approccio più rapido, che prevede il congelamento dei tessuti, può introdurre artefatti che possono complicare la diagnostica. Un nuovo studio condotto dai ricercatori del Mahmood Lab presso il Il Brigham and Women’s Hospital , uno dei membri fondatori del sistema sanitario Mass General Brigham , ei collaboratori della Bogazici University hanno sviluppato un modo migliore; il metodo sfrutta l’intelligenza artificiale per tradurre tra sezioni congelate e l’approccio gold standard, migliorando la qualità delle immagini per aumentare l’accuratezza della diagnostica rapida. I risultati sono pubblicati su Nature Biomedical Engineering.
“Stiamo usando il potere dell’intelligenza artificiale per affrontare un problema secolare all’intersezione tra chirurgia e patologia”, ha affermato l’autore corrispondente Faisal Mahmood, PhD, della Divisione di patologia computazionale presso BWH. “Fare una diagnosi rapida da campioni di tessuto congelato è impegnativo e richiede una formazione specializzata, ma questo tipo di diagnosi è un passaggio fondamentale nella cura dei pazienti durante l’intervento chirurgico”.
Per effettuare diagnosi finali, i patologi utilizzano campioni di tessuto fissati in formalina e inclusi in paraffina (FFPE): questo metodo preserva il tessuto in modo da produrre immagini di alta qualità, ma il processo è laborioso e in genere richiede dalle 12 alle 48 ore. Per una diagnosi rapida, i patologi utilizzano un approccio noto come criosezionamento che prevede il congelamento rapido del tessuto, il taglio di sezioni e l’osservazione di queste fette sottili al microscopio. Il criosezionamento richiede minuti anziché ore, ma può distorcere i dettagli cellulari e compromettere o strappare tessuti delicati.
Mahmood e coautori hanno sviluppato un modello di apprendimento profondo che può essere utilizzato per tradurre tra sezioni congelate e tessuto FFPE più comunemente utilizzato. Nel loro documento, il team ha dimostrato che il metodo potrebbe essere utilizzato per sottotipizzare diversi tipi di cancro, tra cui il glioma e il carcinoma polmonare non a piccole cellule. Il team ha convalidato le loro scoperte reclutando patologi per uno studio del lettore in cui è stato chiesto loro di fare una diagnosi da immagini che erano passate attraverso il metodo AI e le tradizionali immagini di criosezione. Il metodo AI non solo ha migliorato la qualità dell’immagine, ma ha anche migliorato l’accuratezza diagnostica tra gli esperti. L’algoritmo è stato testato anche su dati raccolti in modo indipendente dalla Turchia.
Gli autori osservano che in futuro dovrebbero essere condotti studi clinici prospettici per convalidare il metodo AI e determinare se può contribuire all’accuratezza diagnostica e al processo decisionale chirurgico in contesti ospedalieri reali.
“Il nostro lavoro dimostra che l’intelligenza artificiale ha il potenziale per rendere una diagnosi critica e sensibile al tempo più facile e più accessibile ai patologi”, ha affermato Mahmood. “E potrebbe potenzialmente essere applicato a qualsiasi tipo di chirurgia del cancro. Apre molte possibilità per migliorare la diagnosi e la cura del paziente”.
Articolo citato: Ozyoruk, KB et al. “Un modello di apprendimento profondo per trasformare lo stile delle immagini dei tessuti da criosezionate a fissate in formalina e incluse in paraffina” Nature Biomedical Engineering DOI: 10.1038/s41551-022-00952-9
Un modello di apprendimento profondo per trasformare lo stile delle immagini dei tessuti da criosezionate a fissate in formalina e incluse in paraffina
