Il cancro ai polmoni è una tra le forme di cancro più frequentemente diagnosticate, con un’incidenza di circa 2.25 milioni di casi al mondo registrati nel 2018. Si tratta di una malattia estremamente aggressiva e letale, ed è una delle principali cause di morte al mondo: sempre nel 2018 conta infatti 1,86 milioni di morti, secondo la World Health Organization.

Nella maggior parte dei casi i pazienti ricevono una diagnosi nel momento in cui il tumore è già in stato avanzato, quando è veramente difficile intervenire con una cura sicura ed efficace.

Ad ora il processo diagnostico del cancro ai polmoni prevede in prima istanza un esame di imaging del torace (raggi X, CT e CT/PET), per individuare la posizione della massa tumorale e in un secondo momento un esame di biopsia per la classificazione (carcinoma a piccole cellule o non a piccole cellule, metastasi o primario) e identificazione dello stadio del tumore.

Vogliamo fare in modo che i tempi si riducano rispetto a quelli attuali e semplicemente con l’impiego di un test di screening come la CT e l’applicazione del machine learning a queste immagini, il medico sia in grado di scegliere il trattamento più adatto, al momento giusto, per ogni paziente.

La nostra idea è quella di proporre al personale medico un algoritmo automatico che sia in grado di evidenziare i polmoni, identificare e classificare l’eventuale massa tumorale al loro interno nel modo più preciso possibile.

Quello a cui oggi stiamo lavorando è l'individuazione dei polmoni in ogni immagine della serie CT di un paziente. Utilizzeremo a questo scopo una rete neurale specializzata nella segmentazione di immagini biomediche, chiamata U-Net, che riceve in input un’immagine CT e darà come output la sua immagine corrispondente in cui sono presenti soltanto i polmoni.

Per fare in modo che questa rete sia in grado di segmentare le immagini nel migliore dei modi è necessario addestrarla con un dataset ampio e ben costruito. Dataset alquanto difficile da trovare e adattare nell’ambito biomedicale a causa delle politiche sulla privacy che proteggono i dati sanitari sensibili dei pazienti.

Tuttavia, abbiamo ottenuto l’accesso da parte di enti internazionali (American College of Radiology Imaging Network, ACRIN e Lung Screening Study Group che hanno portato avanti uno studio clinico chiamato National Lung Screening Trial, NLST) a un totale di 15000 serie di CT di pazienti malati e sani. Possedere questo alto numero d’informazioni è un potenziale enorme per questa ricerca.

Infatti 600 di questi esami sono stati utilizzati per costituire il training dataset della rete, atto quindi a far imparare alla rete come riconoscere i polmoni correttamente, altri esami invece verranno utilizzati per validare e verificare che la rete addestrata funzioni al meglio.

In seguito a questa prima parte avremo ancora a disposizione delle immagini per poterci concentrare sull’identificazione e classificazione della massa tumorale.

Il percorso davanti a noi è ancora lungo ed impegnativo e abbiamo tutte le energie necessarie per lavorare al meglio a questo progetto; fino ad ora ci riteniamo fortunate ed entusiaste ad avere la possibilità di approfondire e conoscere questo ambito di ricerca che mostra ogni giorno grandi potenziali di innovazione e di cambiamento nell’ambito tecnologico e medico in tutto il mondo.

Manageritalia collabora con NECSTLab per far conoscere questa Silicon Valley italiana e avere dalla loro voce un polso su quell’innovazione che partendo dall’Università impatta, e deve farlo sempre di più, sulla crescita della nostra economia, sul nostro lavoro e sulla vita di tutti i giorni. Un viaggio che dobbiamo fare tutti insieme. Stay tuned!