Analisi di immagini istologiche mediante deep learning per la predizione dello stato HER2 a supporto della scelta terapeutica nel carcinoma mammario

Il carcinoma mammario è una delle neoplasie più diagnosticate al mondo. Una quota significativa di questi tumori presenta una sovraespressione del recettore HER2, biomarcatore fondamentale per la scelta del trattamento terapeutico. In particolare, i tumori HER2-positivi possono beneficiare di terapie mirate anti-HER2, che rappresentano l'approccio terapeutico di riferimento. Nel presente lavoro è stato sviluppato e analizzato un modello di deep learning basato sul paradigma del Multiple Instance Learning, applicato a Whole Slide Images di preparati istologici colorati con Ematossilina-Eosina (H&E), con l'obiettivo di predire lo stato di HER2 sfruttando esclusivamente le informazioni morfologiche contenute nelle immagini e fornire un potenziale strumento di supporto alla scelta terapeutica. Sono stati inoltre valutati gli effetti della dimensione delle patch e del livello di risoluzione delle immagini sulle prestazioni del classificatore. I risultati evidenziano che la disponibilità di dettagli morfologici rappresenta un fattore determinante per la classificazione dello stato HER2, pur mostrando prestazioni complessivamente moderate e margini di miglioramento. Il lavoro conferma il potenziale delle tecniche di deep learning applicate alle Whole Slide Images come possibile supporto al processo diagnostico.