Esiste una grande distanza tra la ricerca preclinica e la clinica in termini di tecniche multiparametriche e metodologie di analisi implementate. Questo è dovuto alla necessità di validare tali metodologie in ambito clinico con grandi coorti di pazienti prima di poterle applicare di routine nella pratica clinica di tutti i giorni.
Tradizionalmente, la prognosi di un tumore richiede un’analisi dettagliata di diversi fattori biologici e clinici, ma i metodi tradizionali spesso si concentrano su singole modalità di dati, ma in molti casi tali approcci a singola modalità non sono in grado di sfruttare appieno la ricchezza delle informazioni disponibili, limitando la possibilità di migliorare sia l’accuratezza della prognosi che la classificazione del tumore. Mentre, l’uso di approcci multimodali tramite l’integrazione di immagini istopatologiche e dati genomici per esempio, potrebbe rilevarsi una soluzione efficacie per migliorare la comprensione del tumore e delle sue caratteristiche.
Questo è quello che i ricercatori dell’Università Saskatchewan in Canada, in uno studio di recente pubblicazione su Artificial Intelligence in Medicine, si è proposto di fare. Gli autori hanno combinato informazioni provenienti da immagini istopatologiche e dati genomici, prendendo in esame una coorte di 469 pazienti affetti da glioma una classe di tumori cerebrali tra i più aggressivi e letali, in particolare il glioblastoma (GBM).
Attraverso un modello di rete neurale profonda e tecniche di apprendimento automatico, i ricercatori hanno sviluppato SG-Fusion, per integrare immagini istopatologiche ad alta risoluzione e dati genomici dei pazienti per migliorarne la prognosi. Il modello è composto da due rami principali, che sono: la Swin-Transformer per l’analisi delle immagini istopatologiche, che cattura caratteristiche sia locali che globali delle immagini andando a selezionare 953 regioni di interesse per ogni immagine; e la Graph Convolutional Network per elaborare i dati genomici, basandosi su somiglianze funzionali e di espressione tra i geni. Il dataset genomico analizzato nel modello, contiene dati di espressione per quasi 20.000 geni, tuttavia non tutti questi geni vengono utilizzati direttamente. Gli autori hanno selezionato i geni più rilevanti, riducendo il numero di geni analizzati per evitare ridondanze e migliorare l’efficienza del modello.
Una volta ottenute le informazioni necessarie da tutti i pazienti, bisogna passare all’integrazione dei dati, ed è qui che entra in gioco il Cross-Modal Feature Fusion Module, il fulcro del modello elaborato. Questo, integra le informazioni provenienti sia dalle immagini istopatologiche che dai dati genomici tramite un meccanismo chiamato attenzione incrociata, che confronta e collega le informazioni rilevanti tra i due tipi di dati. In pratica, il modello confronta le caratteristiche estratte da ogni modalità per identificare quali sono le più importanti: una volta identificate, queste vengono combinate per creare una rappresentazione unificata.
I ricercatori affermano, che SG-Fusion rappresenta un notevole passo avanti nella prognosi del glioma, poiché attraverso l’integrazione multimodale migliora la capacità del modello di classificare correttamente i tumori e di prevedere i tempi di sopravvivenza dei pazienti. Inoltre, l’uso di queste tecnologie di deep learning avanzate consente al modello di catturare dettagli rilevanti che i modelli tradizionali spesso trascurano, migliorando la medicina di precisione.
Tuttavia, come spesso accade, non sempre è possibile ottenere dati multimodali completi poiché molti dataset clinici non contengono entrambe le tipologie di dati per tutti i pazienti, limitando l’applicabilità del modello. Oltretutto, SG-Fusion richiede un’elevata richiesta computazione per analizzare le immagini ad alta risoluzione e la grande quantità di dati genomici, il che potrebbe limitare l’uso del modello in ambienti clinici con risorse limitate. In definitiva, concludono gli autori, SG-Fusion rappresenta una soluzione promettente per il miglioramento della diagnosi e del trattamento del glioma, offrendo un sistema robusto e accurato per l’analisi di una delle forme di tumore cerebrale più aggressive e difficili da trattare.
di Valentino Ribecco
