Cos’è l’adenocarcinoma polmonare:
L’adenocarcinoma polmonare è il tumore maligno più comune che si manifesta a livello dei polmoni.
Tale tumore è composto da cellule epiteliali fuori controllo che proliferano nei tessuti polmonari in maniera sregolata e accumulano mutazioni a livello del DNA.
Questo tumore nella maggior parte dei casi si origina nei tessuti alveolari e bronchiali, ma se non rilevato e trattato in tempo può metastatizzare, andando poi ad intaccare altri tessuti come ad esempio i linfonodi.
Il percorso terapeutico per trattare tale malattia varia a seconda di diversi fattori come lo stadio del tumore, il quadro clinico del paziente e il momento in cui viene fatta la diagnosi.
Ad oggi sono presenti nuovi possibili approcci che vedono l’impiego anche dell’intelligenza artificiale associata a modelli animali, come per esempio quelli murini.
I GEMM e GLASS-AI:
I modelli murini geneticamente modificati (GEMM) usati nell’ambito preclinico dell’adenocarcinoma polmonare risultano essere estremamente utili per studiare i fattori molecolari che determinano le caratteristiche del tumore come:
- la sua formazione;
- la progressione tumorale;
- lo sviluppo di resistenza terapeutica del tumore.
Tuttavia, l’analisi istologica dei GEMM richiede tempo e una certa preparazione accademica per garantire accuratezza e coerenza. I ricercatori per ottenere un’analisi più precisa e standardizzata, utilizzano uno strumento di analisi delle immagini istologiche, noto come Grading of Lung Adenocarcinoma with Simultaneous Segmentation by Artificial Intelligence (GLASS-AI); tale utilizzo serve per classificare, segmentare e analizzare i tumori in modelli preclinici di adenocarcinoma polmonare. L’integrazione tra studi effettuati da ricercatori e l’impiego di GLASS-AI ha sottolineato la mancata regolazione di pathway di alcune proteine in adenocarcinomi polmonari. Lo studio ha come obiettivo quello di dimostrare i vantaggi dell’impiego di GLASS-AI in modelli preclinici di adenocarcinoma polmonare integrata con tecniche di apprendimento automatico e di biologia molecolare per lo studio delle vie molecolari alla base della progressione di questa malattia.
Un passaggio importante è avuto nel 2017, quando l’agenzia del farmaco americana “Food and Drug Administration” (FDA) ha approvato l’utilizzo degli scanner per vetrini interi nell’ambito della patologia clinica. Questo ha permesso una rapida condivisione delle immagini digitali di patologia anche nell’ambito pre-clinico.
Tali immagini hanno aumentato l’efficienza del lavoro dei patologi, ma il fatto che siano digitalizzate permette la collaborazione tra gruppi geograficamente distanti.
Inoltre, i progressi nell’elaborazione delle immagini hanno reso possibili nuove applicazioni che possono essere d’aiuto nell’analisi istopatologica dei vetrini, in particolare nel campo dell’oncologia.
Queste applicazioni permettono di svolgere rapidamente compiti che richiedono molto tempo, come la segmentazione dei nuclei e dei tumori, l’analisi delle colorazioni istologiche o la quantificazione delle cellule immunitarie associate al tumore o infiltranti il tumore.
In molti di questi studi, l’accuratezza del modello di apprendimento automatico ha trovato riscontro con analisi svolte da ricercatori esperti. Le applicazioni di machine learning nella ricerca preclinica rappresentano un’eccellente opportunità per migliorare e accelerare le analisi dei dati sperimentali prodotti.
L’applicazione di modelli di apprendimento automatico probabilmente rivoluzionerà il modo in cui i dati vengono analizzati. Questo potrà aiutare i medici fornendo un rapido screening delle immagini e un’analisi ad alta risoluzione che può aiutare a individuare caratteristiche non segnalate dall’occhio umano.
Lo studio in questione, pubblicato su “Nature“, è stato svolto sulla base di una rete neurale appositamente programmata per la classificazione degli adenocarcinomi polmonari in modelli murini geneticamente modificati (GEMM) che fornisce un’identificazione e un’analisi molto accurata dell’eterogeneità del tumore.
Questo nuovo approccio può essere integrato con tecniche di biologia molecolare già ampiamente utilizzate per sviluppare la comprensione dei fattori molecolari che determinano la progressione e l’eterogeneità del tumore stesso.
Ad esempio, la perdita della regolazione di specifiche proteine insieme alle mutazioni di geni coinvolti nello sviluppo tumorale guida verso una progressione della malattia.
L’utilizzo di questi modelli ha aumentato la capacità di prevedere con precisione i marcatori molecolari tumorali utilizzando immagini istologiche. Inoltre potrebbe essere utilizzata per contrassegnare i campioni raccolti per un’ulteriore caratterizzazione molecolare e persino per fornire una maggiore precisione in ambito diagnostico e terapeutico.
