Predizione dello stato HER2 nel carcinoma mammario da immagini istologiche digitali mediante Multiple Instance Learning

La determinazione dello stato del recettore HER2 è un passaggio fondamentale nella gestione del carcinoma mammario, poiché condiziona l'accesso alle terapie a bersaglio molecolare. Le metodiche impiegate a questo scopo, l'immunoistochimica e l'ibridazione in situ, sono però costose, lente e soggette a variabilità interpretativa. Questo lavoro indaga la possibilità di predire lo stato HER2 direttamente dai vetrini istologici colorati con ematossilina ed eosina, già disponibili di routine, utilizzando esclusivamente etichette associate all'intero vetrino. Il problema è formulato come apprendimento debolmente supervisionato e affrontato tramite il paradigma del Multiple Instance Learning. È stata realizzata una pipeline di deep learning, dalla segmentazione del tessuto alla classificazione binaria, su vetrini della coorte TCGA-BRCA. L'obiettivo è quantificare quanto le prestazioni dipendano dall'estrattore di feature e quanto dall'operatore di aggregazione. Sono stati quindi confrontati estrattori pre-addestrati su dati generici (ResNet su ImageNet) e foundation model di dominio patologico (UNI), e tre operatori di aggregazione (ABMIL, CLAM, TransMIL), valutando inoltre l'effetto della normalizzazione del colore a fronte della variabilità della colorazione tra centri diversi. I risultati indicano la presenza di un segnale morfologico predittivo, seppure con prestazioni assolute condizionate dallo sbilanciamento della coorte. La scelta dell'estrattore incide più di quella dell'aggregatore: la configurazione migliore, CLAM single-branch, raggiunge un'AUC di 0,715 con UNI contro 0,585 con ResNet-50. La normalizzazione del colore non ha invece prodotto alcun vantaggio misurabile con ResNet-50 (AUC 0,533), a fronte di un costo computazionale rilevante. Risulta comunque necessaria una validazione su coorti più ampie prima di ipotizzare un impiego clinico.