Verso il rilevamento e la quantificazione basati sul deep learning della metaplasia intestinale su biopsie gastriche digitalizzate: uno studio comparativo multi-esperto

Perché questo è importante per la tua salute

Il cancro dello stomaco resta uno dei tumori più letali al mondo soprattutto perché spesso viene scoperto troppo tardi. I medici sanno che una particolare alterazione precancerosa della mucosa gastrica, chiamata metaplasia intestinale, segnala un rischio aumentato anni prima della comparsa di un tumore. Oggi quel segnale d’allarme viene valutato a occhio, perciò due esperti possono osservare la stessa biopsia e non essere d’accordo sulla sua gravità. Questo studio esplora se l’intelligenza artificiale può apportare maggiore coerenza e precisione a questa cruciale fase di allerta precoce.

Come i medici cercano problemi nello stomaco

Quando si controlla la presenza di possibili patologie gastriche, vengono prelevati piccoli campioni di tessuto da diversi punti standard all’interno dello stomaco e osservati al microscopio. I patologi cercano indizi come infiammazione, perdita delle ghiandole normali e, in particolare, la comparsa di cellule simili a quelle intestinali dove non dovrebbero esserci. Più sono diffuse queste alterazioni e più aree dello stomaco occupano, maggiore è il rischio stimato che la persona sviluppi in futuro un cancro gastrico. I sistemi di punteggio attuali combinano queste impressioni visive in stadi da rischio molto basso a molto alto, guidando la frequenza del follow-up del paziente.

Il problema del solo giudizio umano

Nonostante questi sistemi siano ampiamente utilizzati nelle cliniche, si basano sulla migliore stima del patologo su quale frazione del tessuto sia alterata. Ricerche precedenti e l’esperienza quotidiana hanno mostrato che anche esperti ben addestrati possono differire in modo significativo nelle loro stime. In questo studio, tre patologi hanno valutato indipendentemente oltre 200 serie di biopsie gastriche provenienti da volontari e pazienti colombiani. Il loro grado di accordo è stato solo da lieve a moderato, il che significa che lo stesso caso potrebbe ricevere stadi di rischio diversi a seconda di chi lo interpreta. Questa variabilità solleva preoccupazioni: alcune persone potrebbero essere erroneamente rassicurate mentre ad altre potrebbe essere comunicato un rischio maggiore di quello reale.

Insegnare a un computer a leggere i vetrini di biopsia

I ricercatori si sono chiesti se il deep learning, un tipo di intelligenza artificiale particolarmente efficace nel riconoscere pattern nelle immagini, potesse essere d’aiuto. Hanno digitalizzato cinque campioni di biopsia per persona a ingrandimento molto elevato e prima hanno usato un algoritmo specializzato per individuare le strutture ghiandolari nel tessuto, dove compaiono le alterazioni precoci. Da queste regioni hanno estratto centinaia di migliaia di piccole tessere d’immagine. Un patologo esperto aveva precedentemente delimitato dove era presente la metaplasia intestinale, permettendo al team di etichettare le tessere come alterate o normali. Diversi moderni progetti di reti neurali sono stati quindi addestrati in più fasi: prima apprendendo da grandi banche dati di immagini esistenti e poi perfezionati su questi campioni gastrici per distinguere le tessere metaplastiche da quelle normali.

Cosa ha trovato il computer e come si confronta

Tra i modelli testati, una particolare architettura ha ottenuto i migliori risultati, identificando correttamente la metaplasia intestinale nella maggior parte delle tessere e raggiungendo livelli di prestazione paragonabili a quelli osservati in altri compiti di imaging medico. Quando le predizioni a livello di tessera sono state riassemblate sulle immagini dell’intero vetrino, il modello ha prodotto mappe colorate che mostrano dove è più probabile trovare ghiandole alterate. Da queste mappe il programma ha calcolato automaticamente la percentuale di tessuto alterato in ciascun sito di biopsia e ha tradotto tali percentuali negli stessi stadi di rischio usati dagli esperti umani. Pur non corrispondendo perfettamente a nessun singolo patologo, il modello ha mostrato una forte correlazione con le loro stime e, cosa importante, è risultato più coerente caso per caso rispetto alla variabilità tra i medici.

Cosa potrebbe significare per le cure future

Lo studio suggerisce che i sistemi di deep learning possono agire come un «secondo lettore» stabile per le biopsie gastriche, offrendo misure oggettive della porzione di tessuto che mostra alterazioni precancerose precoci. Piuttosto che sostituire i patologi, tali strumenti potrebbero fornire una base affidabile, ridurre le incertezze e i disaccordi e aiutare a garantire che i pazienti a rischio effettivo più elevato siano identificati e monitorati in modo appropriato. Con ulteriori test in diversi ospedali e una marcatura più dettagliata dei sottotipi tissutali, questo approccio potrebbe infine supportare decisioni più personalizzate e sicure su chi necessita di un follow-up più stretto per prevenire il cancro gastrico.

Citazione: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Parole chiave: cancro gastrico, metaplasia intestinale, deep learning, patologia digitale, stratificazione del rischio di cancro