Risultati

Principali risultati conseguiti dal progetto e obiettivi futuri

Grazie all’uso dell’Intelligenza Artificiale, Synergy-net è in grado di apprendere autonomamente nozioni dalla grande mole di dati che vengono caricati, elaborarle per risolvere i problemi proprio come fa il cervello umano, sviluppare una risposta specifica grazie all’algoritmo che la regola. Questa risposta è in grado di portare grandi vantaggi alla ricerca scientifica perché si tratta di sviluppare protocolli per la prevenzione dei tumori.

Questi i risultati tecnici raggiunti:

RA1 – Sviluppare un prototipo di presidio oncologico integrato, dedicato esclusivamente alla prevenzione territoriale (servizio di screening oncologico).
RA5 – Testare e verificare la piattaforma su tre livelli di contesto: contesti clinici, contesti sanitari privati, contesto sanitario internazionale.

Il progetto si è sviluppato in un periodo storico particolare caratterizzato dall’avvento della pandemia e per questo motivo la fase di screening oncologico è stata rimodulata nelle metodologie operative ma non nelle finalità. I laboratori sono stati attrezzati (l’attività di screening non è partita causa fermo covid 19) ma il personale e le strutture sono state attive per il reclutamento dei pazienti oncologici; attività potenziata dalla relativa riduzione e sospensione dell’attività chirurgica non oncologica. Con riguardo a tale attività come si è detto si è optato per addestrare la piattaforma con i pazienti oncologici arruolati dall’attività ambulatoriale, raggiungendo comunque una numerosità soddisfacente. Sono state quindi realizzate le fasi di testing della piattaforma, confermando le performance teoriche. Gli endpoint auspicabili in fase intermedia, si sono concretizzati nella possibilità di integrare i programmi di screening oncologico con supporti diagnostici operativi “intelligenti”: i CAD realizzati a supporto della piattaforma si sono dimostrati performanti sia in contesti clinici, sia in simulazioni virtuali, sia in prospettiva di telemedicina (testing a Città della Scienza e nel comune di Solofra), sia in termini di trasferibilità in contesti sanitari privati (clinica Ruesch), sia infine in un contesto sanitario internazionale (quest’ultimo punto è stato adattato alle mutate disponibilità degli attori internazionali inizialmente previsti, Nizza e Buenos Aires, alla disponibilità invece dell’Università Tessalonica). La piattaforma e soprattutto i sistemi di machine learning sono riusciti a suggerire dei programmi di screening integrati cioè con dei supporti diagnostici in grado di aiutare nella diagnosi, soprattutto in contesti sanitari o di emergenza sanitaria, in cui la disponibilità di personale sanitario e di attività di arruolamento pazienti sono limitate; fornendo cioè dei presidi di screening preliminare operativi in tali contesti, perché addestrati per essere operativi in telemedicina. I risultati attesi alla realizzazione di screening territoriali sono stati trasformati in un’analisi dei data set e della diagnostica per immagini dei pazienti oncologici arruolati attraverso le ordinarie attività ambulatoriali e chirurgiche, per sviluppare, attraverso la piattaforma, protocolli di screening (quando questi saranno realizzabili) e prevenzione potenziati dagli algoritmi di machine learning.

RA2 – Dotare il servizio di screening oncologico di una soluzione software innovativa finalizzata alla raccolta dati e alla relativa fenotipizzazione di profili oncologici in base all’opportuna scelta di indicatori.
RA3 – Integrare tutti i dati in un sistema di Computer Aided Detection/Diagnosis.

Il Sistema Informativo (SI) Synergy-Net è un CAD basato su IA e progettato per supportare il medico in un set di differenti patologie oncologiche, al fine di sfruttare i benefici che solo un’analisi integrata può permettere.
Gli aspetti ritenuti importanti ai fini di supportare il design e lo sviluppo di un’architettura CAD basata su IA sono stati i seguenti:

• è stata sviluppata una tecnica di Computer Vision basata su Deep Learning per la segmentazione automatizzata di regioni sospette da sottoporre all’attenzione del medico (così da ridurre la quantità di dati che lo stesso deve analizzare, permettendo di focalizzare l’attenzione solo su alcune zone). Il sistema ha mostrato un’elevata capacità di segmentazione e i risultati sono stati anche pubblicati negli atti di una conferenza internazionale;
• per supportare il medico nello studio di tali dati che hanno un contenuto informativo quadri-dimensionale (una serie temporale di volumi tridimensionali), si è realizzato un sistema in grado di estrapolare il contenuto informativo associato a tutte le informazioni temporali, sulla base di soli tre istanti temporali opportunamente e univocamente individuati. Questo meccanismo, supportato da modelli predittivi basati su Deep Learning, permette di individuare un valore probabilistico associato alla benignità/malignità della regione di tessuto in analisi;
• il CAD è dotato di un sistema di recupero delle immagini basato su esempio (CBIR, dall’inglese Content Based Image Retrieval) che permette al medico di accedere a tutti i referti storici che somigliano al caso in esame in termini di morfologia, tessitura, etc;
• il sistema, utilizzando gli algoritmi proposti, ha mostrato che è possibile definire intervalli di riproducibilità su base statistica.

L’architettura di Synergy-Net consiste di diversi moduli che interagiscono tra loro per fornire le funzionalità richieste:
-Modulo di Digitalizzazione
-Modulo di Image Preprocessing
-Modulo di Organ Segmentation
-Modulo di Lesion Detection/Segmentation
-Modulo di Lesion Classification

RA4 – Verificare le potenzialità di tale soluzione tecnologica nel generare nuovi modelli sperimentali.

Le attività sono partite successivamente alla raccolta dei dati pre-chirurgici, chirurgici, postchirurgici e la relativa documentazione di imaging. Sono stati eseguiti:

• consensi, prelievi siero ematici, estrazione DNA, CQ preliminari dei campioni mediante Nanodrop, Qubit e Tapestation;
• ClinicalExome – Preparazione di librerie indicizzate (ClinicalExome -Controllo di qualità della libreria);
• sequenziamento paired-end 2×150 bp, MID Flow Cell, su piattaforma Illumina NextSeq 550 – Preparazione Flow Cell di Sequenziamento – Demultiplexing dei campioni, FASTQC delle reads ottenute – Caricamento dati su piattaforma di oltre 46000 varianti geniche/paziente.

La fase di analisi al fine della validazione dei risultati, richiede, però, data la mole dei dati e la molteplicità di variabili da incrociare, tempi lunghi e una numerosità oncologica in generale maggiore; in particolare trattandosi di dati dinamici, occorre tempo per definire in termini oncologici la valenza prognostica predittiva delle mutazioni identificate. Ciononostante, gli studi preliminari sui dati genetici hanno evidenziato una elevata variabilità intra-inter soggetto, non direttamente correlabile a caratteristiche tessiturali estratte dalle metodologie di imaging. È importante sottolineare che tale risultato rappresenta un interessante risultato scientifico che suggerisce la necessità di effettuare l’individuazione dei soggetti da arruolare sulla base dei dati di imaging. Questa procedura, sebbene più complicata (in quanto implica la necessità per il paziente di ritornare in ambulatorio a valle delle fasi di analisi sui dati di imaging), apre alla possibilità di raccogliere dati su pazienti organizzati per similitudini morfo-anatomiche e non su base anamnestica-statistica.