Nicolas Destefanis, Università di Torino – Dipartimento di Scienze Mediche
nicolas.destefanis@unito.it
Carlo Alberto Barbano, Università di Torino – Dipartimento di Informatica; Valentina Fiano, Università di Torino – Dipartimento di Scienze Mediche; Michelangelo Fiorentino, Università di Bologna – Dipartimento di Anatomia Patologica; Francesca Giunchi, Università di Bologna – Dipartimento di Anatomia Patologica; Luca Lianas, Visual and Data-Intensive Computing – Centro di Ricerca, Sviluppo e Studi Superiori in Sardegna; Mauro Del Rio, Visual and Data-Intensive Computing – Centro di Ricerca, Sviluppo e Studi Superiori in Sardegna; Francesca Frexia, Visual and Data-Intensive Computing – Centro di Ricerca, Sviluppo e Studi Superiori in Sardegna; Luca Pireddu, Visual and Data-Intensive Computing – Centro di Ricerca, Sviluppo e Studi Superiori in Sardegna; Luca Molinaro, Università di Torino – Dipartimento di Anatomia Patologica; Mauro Papotti, Università di Torino – Dipartimento di Anatomia Patologica; Paola Cassoni, Università di Torino – Dipartimento di Anatomia Patologica; Paolo Gontero, Università di Torino – Dipartimento di Urologia; Giancarlo Marra, Università di Torino – Dipartimento di Urologia; Marco Oderda, Università di Torino – Dipartimento di Urologia; Umberto Ricardi, Università di Torino – Dipartimento di Oncologia; Giuseppe Carlo Iorio, Università di Torino – Dipartimento di Oncologia; Marco Grangetto, Università di Torino – Dipartimento di Informatica; Piero Fariselli, Università di Torino – Dipartimento di Scienze Mediche; Daniela Zugna, Università di Torino – Dipartimento di Scienze Mediche; Lorenzo Richiardi, Università di Torino – Dipartimento di Scienze Mediche;
- Categoria Primaria: Epidemiologia clinica
- Categoria Secondaria: Metodi epidemiologici e biostatistici
Introduzione: Il tumore alla prostata è il più comune tra gli uomini in Europa e, nella maggior parte dei casi, si presenta come localizzato o localmente avanzato. Al momento della diagnosi, sono disponibili diversi modelli prognostici per guidare il trattamento, ma studi recenti hanno indicato come il modello del Memorial Sloan Kettering Cancer Center (MSKCC) offra le migliori performance. Le immagini istopatologiche contengono una ricca varietà di informazioni fenotipiche che potrebbero essere sfruttate per comprendere i meccanismi alla base della progressione della malattia e della sopravvivenza dei pazienti. In quest’ottica, l’adozione di tecniche avanzate di Deep Learning ha aperto nuove opportunità nella ricerca computazionale in ambito di anatomia patologica. Obiettivi: Verificare, utilizzando la coorte Turin Prostate Cancer Prognostication (TPCP), se le caratteristiche istopatologiche estratte in maniera agnostica dai vetrini delle biopsie possano predire la progressione metastatica del tumore alla prostata e migliorare i modelli prognostici esistenti attraverso l’integrazione di queste variabili latenti. Metodi: La coorte TPCP include pazienti non metastatici con una prima biopsia positiva per tumore alla prostata effettuata tra il 2008 e il 2013 presso i due reparti di Anatomia Patologica della “A.O.U. Città della Salute e della Scienza di Torino”. Dai vetrini digitalizzati, sono state estratte porzioni di immagini relative alle regioni tumorali di interesse annotate da due uropatologi, successivamente elaborate tramite Variational Autoencoders (VAE). I VAE sono modelli di Deep Learning appartenenti alla famiglia dei modelli generativi, progettati per comprimere e decomprimere immagini in vettori a dimensione ridotta, mantenendo informazioni rappresentative. Per ridurre ulteriormente la dimensionalità di tali vettori, è stata in seguito applicata la Principal Component Analysis (PCA), selezionando le componenti principali che spiegano la maggiore varianza. Risultati: Abbiamo condotto uno studio pilota su un sottoinsieme di 84 pazienti. Le analisi hanno mostrato che l’integrazione delle caratteristiche derivate dai VAE ha migliorato la performance predittiva del modello MSKCC. In particolare, i likelihood-ratio test hanno evidenziato un incremento significativo nei valori del rapporto di verosimiglianza all’aumentare delle dimensioni latenti. Questi risultati suggeriscono che le variabili latenti contengono informazioni rilevanti associate alla progressione metastatica. Conclusioni: Le caratteristiche derivate dai VAE, combinate con tecniche di riduzione della dimensionalità come la PCA, mostrano un potenziale promettente per il miglioramento della prognosi del tumore alla prostata. Sono in corso le analisi di estensione della metodica ai 671 pazienti idonei e inclusi nella coorte TPCP. [Progetto finanziato dall’AIRC (IG 2020 – ID. 24818, PI: Lorenzo Richiardi)]