Un gruppo di scienziati giapponesi ha sviluppato un metodo diagnostico non invasivo per i tumori della sottomucosa dello stomaco e dell’intestino tenue. Lo strumento utilizzato è un algoritmo di machine learning, allenato mediante le immagini dei tessuti tumorali acquisite con la tecnica dell’imaging iperspettrale a infrarosso.

TAKEAWEAY

• Alcuni tumori, come quelli che colpiscono stomaco e intestino tenue, si annidano molto in profondità, all’interno di organi e di tessuti ricoperti da uno strato di mucosa, rendendo complesso osservarli direttamente e circoscriverli con precisione attraverso endoscopia e biopsia.
• Con l’obiettivo di migliorare la diagnosi di questi tumori, un gruppo di ricercatori giapponesi ha sviluppato un metodo basato su un algoritmo di machine learning allenato mediante le immagini dei tessuti tumorali acquisite con la tecnica dell’imaging iperspettrale a infrarosso.
• In fase di ricerca, è emerso che, anche se dieci dei dodici tumori analizzati erano completamente o parzialmente coperti da uno strato di mucosa, il sistema di apprendimento automatico è stato capace di identificare, dalle immagini, i tumori stromali gastrointestinali, riuscendo a codificare con una precisione dell’86% il colore delle sezioni tumorali e il colore di quelle non tumorali.

---

Machine learning e imaging iperspettrale appaiono come due sfere lontanissime, senza legami e attinenze. Solo il lavoro di un team di scienziati giapponesi ha saputo creare un nesso tra i due mondi, facendone gli strumenti chiave di uno studio sulla rilevazione dei tumori nascosti, particolarmente difficili da circoscrivere perché annidati nella sottomucosa.

Ma prima di addentrarci nella ricerca, un po’ di chiarezza. Il machine learning – o apprendimento automatico – è quella branca dell’intelligenza artificiale i cui algoritmi si basano su metodi matematico-computazionali per apprendere informazioni direttamente dai dati.

Per quanto concerne, invece, l’imaging iperspettrale e, più in particolare, le immagini iperspettrali nel vicino infrarosso – dette anche Near Infra-Red Hyper Spectral Imaging (NIR-HSI) – basti pensare che la loro portata consente di cogliere la composizione chimica di un prodotto solo scattandogli una fotografia, evidenziando elementi e aspetti difficilmente visibili, o addirittura non visibili, a occhio nudo.

Si tratta di una tecnica che, da un’immagine, riesce a catturare tutte le informazioni di uno spettro elettromagnetico, dai raggi ultravioletti all’infrarosso, facilitando l’identificazione di molti oggetti.

A differenza della radiografia, l’imaging iperspettrale è una tecnologia senza contatto, che non crea alcun danno all’oggetto analizzato. Sono note le sue applicazioni nella previsione della data di scadenza dei prodotti alimentari, nel controllo dello stato di salubrità delle foreste e nell’analisi del suolo. Vediamo ora l’impiego delle tecniche di machine learning e imaging iperspettrale in ambito oncologico.

Machine learning e imaging iperspettrale per la diagnosi precoce dei tumori stromali gastrointestinali

Sappiamo che in oncologia è la diagnosi precoce lo strumento principe per la prevenzione dei tumori. Ma tale diagnosi, in alcuni casi, richiede una tecnologia di imaging avanzata, al di là di quanto è disponibile oggi in ambito sanitario.

Ad esempio, alcuni tumori si annidano molto in profondità, all’interno di organi e di tessuti ricoperti da uno strato di mucosa. Il che rende complesso osservarli direttamente e circoscriverli con precisione attraverso metodi standard quali endoscopia e biopsia.

In particolare, i tumori stromali gastrointestinali (detti anche GIST, acronimo inglese di GastroIntestinal Stromal Tumors) – che colpiscono stomaco e intestino tenue – richiedono tecniche diagnostiche impegnative, per pazienti e personale sanitario, invasive e dalle lunghe tempistiche.

Con l’obiettivo di migliorare la diagnosi dei GIST, il team di ricercatori composto da Daiki Sato, Hiroaki Ikematsu e Takeshi Kuwata del National Cancer Center Hospital East, da Hideo Yokota del RIKEN Center for Advanced Photonics e da Toshihiro Takamatsu e Kohei Soga dell’Università di Tokyo – tutti Atenei giapponesi – guidati dal professor Hiroshi Takemura, hanno sviluppato un metodo che utilizza tecniche di machine learning e imaging iperspettrale a infrarosso (NIR-HSI), i cui risultati sono stati pubblicati recentemente su Nature’s Scientific Reports.

“Questa tecnica segue la stessa logica dei raggi X. Qui, però, l’idea di base è utilizzare la radiazione elettromagnetica, in grado di passare attraverso il corpo, per generare immagini al suo interno. La differenza è che, mentre i raggi X vanno da a 0,01 a 10 nanometri, l’infrarosso ha una lunghezza d’onda di circa 800-2500 nm, dove un nanometro è pari a un miliardesimo di metro. E a quella lunghezza d’onda, la radiazione a infrarosso fa apparire, nelle immagini, i tessuti come ‘trasparenti’. Inoltre, queste lunghezze d’onda sono meno dannose per il paziente rispetto ai raggi delle normali radiografie”

spiega il professor Takemura.

L’algoritmo di apprendimento automatico che distingue tra immagini di tessuti sani e immagini di tessuti tumorali

Il metodo basato su tecniche di machine learning e imaging iperspettrale è stato messo a punto attraverso step diversi. Nella prima fase, il gruppo di studio ha eseguito esperimenti di imaging su dodici pazienti con casi confermati di tumori stromali gastrointestinali, ai quali era stato rimosso il tumore attraverso un intervento chirurgico.

Più nel dettaglio, i ricercatori hanno ripreso i tessuti asportati utilizzando la tecnica dell’imaging iperspettrale a infrarosso, quindi hanno chiesto a un patologo di esaminare le immagini per determinare il confine preciso tra tessuti sani e tessuti tumorali.

Queste stesse immagini sono state poi utilizzate come dati per addestrare un algoritmo di machine learning a distinguere tra i pixel delle immagini che rappresentano il tessuto sano da quelli che rappresentano il tessuto tumorale.

La scoperta importante realizzata dai ricercatori in questa fase è che, anche se dieci dei dodici tumori analizzati erano completamente o parzialmente coperti da uno strato di mucosa, il sistema di apprendimento automatico è stato capace di identificare i tumori stromali gastrointestinali, riuscendo a codificare con una precisione dell’86% il colore delle sezioni tumorali e il colore di quelle non tumorali. Sottolinea Hiroshi Takemura:

“Il metodo diagnostico che coniuga machine learning e imaging iperspettrale rappresenta uno sviluppo interessante in ambito oncologico. Essere in grado di diagnosticare in modo accurato, rapido e non invasivo diversi tipi di tumori della sottomucosa dello stomaco e dell’intestino tenue, senza ricorrere a invasive procedure chirurgiche, ha un impatto positivo sia sul paziente che sul personale sanitario che lo ha in cura”

Questo studio – spiegano i ricercatori – è il primo passo verso una ricerca molto più rivoluzionaria in futuro, ma le sfide da affrontare, al momento, sono tante.

Il team ha già identificato alcuni elementi che porterebbero a risultati ancora più puntuali, tra cui l’ampliamento del set di dati per allenare l’algoritmo di ML e l’aggiunta di informazioni sulla profondità del tumore, nonché su altre tipologie tumorali. Sono, inoltre, in corso lavori per sviluppare un sistema di imaging iperspettrale a infrarosso fondato sulla tecnologia endoscopica esistente:

“Abbiamo già costruito un dispositivo che collega una telecamera di imaging iperspettrale a infrarosso all’estremità di un endoscopio e speriamo di eseguire presto l’analisi direttamente sul paziente, anziché solo sui tessuti rimossi chirurgicamente. In futuro, questo ci aiuterà a distinguere i tumori stromali gastrointestinali da altri tipi di tumori nascosti nella sottomucosa e ancora più maligni e pericolosi”

Ha concluso il professor Takemura.