Apprendimento automatico per la diagnosi dei linfomi maligni

I linfomi maligni sono un gruppo eterogeneo e complesso di tumori del sistema immunitario. La normale procedura medica per il loro trattamento inizia con la valutazione dell'estensione di malattia attraverso esami total body con tomografia computerizzata (TC), risonanza magnetica (RM) e tomografia a emissione di positroni (PET). Sebbene questi siano il mezzo principale per valutarne visivamente l'entità , non vengono utilizzati a fine diagnostico. Attualmente, l'unico metodo disponibile per identificare il tipo di linfoma ਠattraverso il campionamento di un singolo sito tumorale tramite biopsia. L'ipotesi sulla quale si concentra questa tesi ਠche potrebbe essere possibile predire la diagnosi differenziale di quattro principali sottotipi di linfoma (diffusi a grandi cellule, follicolari, Hodgkin e mantellari) utilizzando un approccio basato sui dati. Attraverso la texture analisi delle immagini diagnostiche di routine ਠpossibile, infatti, calcolare per ogni lesione (o VOI) dei valori numerici, chiamati feature, che ne descrivono le caratteristiche. L'obiettivo della tesi ਠquello di applicare e valutare algoritmi di machine learning sulle feature estratte dai VOI di 36 pazienti dell'Arcispedale Santa Maria Nuova di Reggio Emilia, di cui si conosce, per via istologica, la tipizzazione del sottotipo, con lo scopo di associare l'output corretto (il sottotipo di linfoma) ai dati provenienti dalla texture analisi. Inoltre, poichà© la diagnosi si riferisce al paziente e non alla singola lesione e ogni paziente puಠpresentare diverse lesioni, un'analisi di questo tipo si configura come un problema di Multiple Instance Learning (MIL). In base ai risultati ottenuti, si vuole, in primo luogo, valutare quale metodo fornisce i risultati migliori e, in secondo luogo, valutare la fattibilità  di utilizzare questi modelli per supportare la diagnosi dei sottotipi in dataset pi๠grandi.