Classificazione del rischio supportata dall’intelligenza artificiale basata sulle immagini LC-OCT

Alcune caratteristiche morfologiche delle cheratosi attiniche (AK) sono considerate predittive per lo sviluppo del carcinoma invasivo a cellule squamose. La categorizzazione in punteggi PRO I-III si basa su questo, che rappresenta tre livelli di rischio
per il rischio di progressione delle lesioni AK. Uno studio pubblicato nel 2023 mostra che una classificazione automatica del punteggio PRO supportata dall’AI e basata sui dati delle immagini LC-OCT ha il potenziale di facilitare la diagnosi e il follow-up della AK in futuro.

Uno degli obiettivi dello studio di Thamm et al. è stato quello di addestrare le reti neurali convoluzionali in modo da poterle utilizzare per la segmentazione epidermica automatizzata nei dataset di immagini di tomografia a coerenza ottica confocale a campo linea (LC-OCT), per eseguire una valutazione in tempo reale della patologia epidermica e dermica delle lesioni AK [1]. Gli AK sono considerati carcinomi a cellule squamose in situ, che possono svilupparsi in carcinomi cutanei invasivi a cellule squamose (SCC). La stima del rischio di progressione delle lesioni AK mediante l’imaging LC-OCT offre dei vantaggi rispetto all’istologia convenzionale, in quanto si tratta di una procedura non invasiva e altamente tecnologica. Macroscopicamente, le lesioni da AK appaiono come chiazze di colore da rosa a marrone nelle aree cutanee esposte al sole e di solito sono accompagnate da ipercheratosi [2]. Mentre nell’AK l’atipia dei cheratinociti è limitata all’epidermide, nell’SCC si può osservare la perdita della giunzione dermoepidermica (DEJ), che ne definisce la proliferazione invasiva [3]. Sebbene la DEJ rimanga intatta nelle lesioni AK, i suoi modelli di crescita basale cambiano nel corso del processo di trasformazione maligna [4]. La valutazione di quali AK hanno un rischio elevato di sviluppare una trasformazione maligna sta diventando sempre più importante. Pertanto, è stata sviluppata una classificazione istologica con il punteggio PRO, che classifica l’AK in base ai cambiamenti dell’area di proliferazione basale [4,5]. Le lesioni AK PRO III sono associate a un rischio maggiore di sviluppare un SCC invasivo rispetto alle lesioni PRO II o PRO I.

Analizzare il materiale delle immagini con un approccio di apprendimento profondo

Il materiale d’immagine della tomografia a coerenza ottica confocale a campo linea (LC-OCT) [1,5] serve come base per il punteggio PRO I-III (Fig. 1). La LC-OCT permette di esaminare un cambiamento della pelle che si sospetta essere un tumore, senza dover prelevare un campione di tessuto invasivo. Le seguenti caratteristiche sono decisive per classificare il rischio di trasformazione:

• PRO I: Accumulo di cheratinociti atipici nello strato delle cellule basali.
• PRO II: sporgenze epidermiche nel derma papillare superiore che sono più sottili dell’epidermide sovrastante.
• PRO III: proliferazioni epidermiche profonde di cheratinociti atipici che si estendono più in profondità nel derma rispetto allo spessore dell’epidermide.

Una valutazione manuale del punteggio PRO può essere distorta dalla valutazione soggettiva dell’esaminatore. Questa fonte di errore si riduce con la quantificazione automatica supportata dall’AI. I set di immagini tridimensionali dell’epidermide e del derma superiore generati dalla LC-OCT hanno una risoluzione più elevata rispetto alla tomografia a coerenza ottica (OCT) convenzionale ed è possibile una maggiore profondità di penetrazione rispetto alla microscopia laser confocale [6]. Le reti neurali convoluzionali (CNN) – le architetture di apprendimento profondo più utilizzate oggi – sono impiegate per l’analisi automatizzata dei dati visivi [7]. UNet è un’architettura sviluppata da CNN specificamente per la segmentazione delle immagini biomediche. Nello studio di Thamm et al. Tali CNN sono state addestrate per segmentare immagini LC-OCT di pelle sana e lesioni AK [1]. L’addestramento della CNN si è basato su un database di immagini LC-OCT a sezione verticale acquisite con un dispositivo LC-OCT (deepLive™ DAMAE Medical, Parigi, Francia) in volontari con pelle sana e in pazienti con AK [1]. In accordo con il gold standard istopatologico, sono stati sviluppati dei modelli di punteggio PRO, addestrati su 237 immagini LC-OCT-AK e testati su 76 immagini, confrontando il punteggio PRO calcolato dall’IA con il consenso visivo degli esperti di imaging utilizzando il coefficiente Cohen-Kappa ponderato lineare con intervallo di confidenza (CI) al 95%. Le analisi statistiche sono state eseguite con la libreria SciPy di Python [1].

Alto grado di accordo tra AI ed esperti

Il giudizio di riferimento in cieco per la valutazione del punteggio PRO delle 76 immagini del set di prova è stato il consenso di due dermatologi e di uno specializzando [1]. I risultati più importanti in un colpo d’occhio:

La quantificazione automatica del punteggio PRO basata sull’AI, derivata dall’indice di ondulazione e dalla profondità massima della protrusione, concordava con la categorizzazione visiva degli esperti nel 75% (57/76) dei casi, con un kappa ponderato statisticamente significativo κ=0,60 ^(p=6×10-8 <0,001, 95%-KI=[0,43, 0,77]). Questo ha eliminato la possibilità di una corrispondenza casuale tra la categorizzazione basata sull’AI e quella visiva, indicando che la formazione dell’algoritmo è stata efficace e vicina al consenso degli esperti.

La valutazione basata sull’AI del punteggio PRO si è correlata meglio con il punteggio visivo per il PRO II (84,8%), seguito dal PRO III (69,2%) e dal PRO I (66,6%). Le interpretazioni errate erano per lo più dovute all’ombreggiatura della DEJ e a elementi di disturbo come i follicoli piliferi e riguardavano il 25% dei casi. Nel complesso, l’IA ha sovrastimato le protrusioni nel 14,5% (11/76) dei casi, mentre nel 10,5% (8/76) le protrusioni sono state sottostimate. Per quanto riguarda il PRO I, il 10/30 è stato sopravvalutato come PRO II. Per il PRO II, 4/33 sono stati sottostimati come PRO I, mentre 1/33 è stato assegnato al PRO III. Nel PRO III, 3/13 sono stati classificati erroneamente come PRO I e 1/13 come PRO II.

Nel complesso, i risultati dello studio suggeriscono che le CNN sono utili per la quantificazione automatica del punteggio PRO nei dataset di immagini LC-OCT e possono essere utilizzate per la valutazione non invasiva del rischio di proliferazione nella diagnosi e nel follow-up dell’AK, secondo gli autori dello studio [1].

Sommario

• Le reti neurali convoluzionali (CNN) sono state addestrate per segmentare le immagini LC-OCT di pelle sana e AK.
• I modelli di punteggio PRO sono stati addestrati su un sottoinsieme di 237 immagini LC-OCT-AK e testati su 76 immagini, confrontando il punteggio PRO calcolato dall’AI con il consenso visivo degli esperti di imaging.
• L’accordo significativo tra la categorizzazione basata sull’AI e la valutazione degli esperti è stato trovato nel 75% dei casi.

Letteratura:

1. Thamm JR, et al: [Determinazione basata sull’intelligenza artificiale del punteggio PRO nelle cheratosi attiniche utilizzando set di dati di immagini LC-OCT: Valutazione del punteggio PRO nelle cheratosi attiniche basata sull’intelligenza artificiale, utilizzando immagini LC-OCT e reti neurali convoluzionali]. J Dtsch Dermatol Ges 2023; 21(11): 1359-1368.
2. Schmitz L, Oster-Schmidt C, Stockfleth E: Cancro della pelle non melanoma – dalla cheratosi attinica al carcinoma cutaneo a cellule squamose. J Dtsch Dermatol Ges 2018; 16(8): 1002-1013.
3. Cockerell CJ: Istopatologia del carcinoma a cellule squamose intraepidermico incipiente (“cheratosi attinica”). J Am Acad Dermatol 2000; 42(1Pt 2): 11-17.
4. Schmitz L, et al. I carcinomi cutanei a cellule squamose sono associati a cheratosi attiniche basali proliferanti. Br J Dermatol 2019; 180(4): 916-921.
5. Schmitz L, et al: Le cheratosi attiniche mostrano modelli istologici di crescita basale variabili – una proposta di adeguamento della classificazione. J Eur Acad Dermatol Venereol 2018; 32(5): 745-751.
6. Ruini C, et al: Valutazione LC-OCT in vivo del modello di proliferazione verso il basso dei cheratinociti nella cheratosi attinica rispetto all’istologia: prime impressioni da uno studio pilota. Cancers (Basel) 2021; 13(12).
7. Yamashita R, et al: Reti neurali convoluzionali: panoramica e applicazione in radiologia. Insights Imaging 2018; 9(4): 611-629.

PRATICA DERMATOLOGICA 2024; 34(2): 21-22