• biobanca
• deep learning
• intelligenza artificiale
• virtual research environment

L’obiettivo del progetto NAVIGATOR è quello di sviluppare una biobanca di imaging regionale italiana e una piattaforma di ricerca interattiva pensata per supportare l’oncologia di precisione attraverso l’integrazione di dati multimodali: imaging, dati clinici e dati omici.
La piattaforma offre un Virtual Research Environment (VRE) in cui gli utenti possono caricare dati, testare algoritmi di intelligenza artificiale (IA) e avviare intere sequenze operative di analisi.
Lo scopo del lavoro di tesi è descrivere le funzionalità della piattaforma NAVIGATOR analizzandone le prestazioni nei compiti di segmentazione, classificazione e detection attraverso tre casi d’uso oncologici: tumore della prostata, tumore dello stomaco e tumore del retto.
Il progetto ha incluso 300 casi per il tumore della prostata, 265 casi per il tumore del colon retto e 185 casi per il tumore dello stomaco. In particolare, per il tumore della prostata sono stati utilizzati modelli di segmentazione (come U-ResNet) e classificazione (come ResNet-50) a testimonianza dell’elevato valore clinico di una localizzazione precisa e della stratificazione del rischio; nel caso del tumore gastrico il focus si è spostato sulla segmentazione (grazie al modello SaB-Net), data la complessità anatomica e la rilevanza clinica della delineazione preoperatoria delle lesioni; mentre invece per il tumore del retto la priorità è stata la classificazione (con il modello ibrido 2D-3D) e la stadiazione.
Sono stati eseguiti studi di valutazione delle performance e sono stati ottenuti i seguenti risultati: per il tumore della prostata, la segmentazione eseguita sul dataset pubblico Prostate158 ha mostrato una variabilità delle prestazioni: in alcuni pazienti il modello ha segmentato correttamente le lesioni (con buoni valori di Dice Score), mentre in altri, specialmente nei casi più complessi, le lesioni sono state parzialmente o completamente mancate. Al contrario, la segmentazione anatomica della ghiandola prostatica (zona periferica e ghiandola centrale) ha mostrato una buona corrispondenza con le maschere manuali, pur con lievi discrepanze nella zona periferica.
Le predizioni del modello Retina U-Net, valutate su sequenze RM multiparametriche (T2w, b800, ADC, K-trans), hanno permesso la segmentazione delle lesioni (in arancione) e la classificazione automatica del Gleason Grade Group. Le prestazioni, misurate a livello di singola lesione, sono risultate elevate: AUC/sensibilità/specificità pari a 0.96/1.00/0.79 per il dataset ProstateX e 0.95/1.00/0.762 per il dataset IVO. A livello di paziente, le metriche sono risultate più eterogenee (es. specificità 0.375 per ProstateX), ma la sensibilità è rimasta del 100% in entrambi i dataset, indicando un forte potenziale per l’applicazione clinica.
Il modello 3D ResNet18, addestrato sul dataset interno di RM T2w e ottimizzato per la classificazione in due gruppi di rischio ISUP (1–2 vs. 3–5), ha mostrato buone performance in fase di training. Tuttavia, durante la validazione e il test su dati non visti, le capacità di generalizzazione sono risultate limitate, con performance complessivamente subottimali.
Infine, la valutazione del modello SaB-Net su un dataset interno di tumori gastrici ha evidenziato buoni risultati nella segmentazione delle aree tumorali. Tuttavia, la fase di classificazione ha risentito della presenza di falsi positivi e falsi negativi, che indicano la necessità di ulteriori miglioramenti. Nonostante ciò, il modello ha dimostrato una buona capacità di generalizzazione.
Il progetto affronta sfide critiche legate all’armonizzazione dei dati, alla conformità normativa, alla tutela della privacy e all’equità nei sistemi di intelligenza artificiale.
NAVIGATOR dimostra la realizzabilità dell’integrazione di metodologie AI all’interno di biobanche di imaging e propone un modello flessibile per avanzare nella ricerca oncologica e supportare il processo decisionale clinico.