Rilevazione e classificazione del cancro alla tiroide mediante imaging spettrale e intelligenza artificiale

Perché è importante individuare precocemente il cancro alla tiroide

Il cancro alla tiroide è il tumore più comune delle ghiandole produttrici di ormoni, e la sua diagnosi dipende ancora in larga misura da ciò che un patologo osserva al microscopio. Tuttavia anche gli esperti possono non essere d’accordo, soprattutto nei casi borderline che appaiono in parte innocui e in parte preoccupanti. Questo studio descrive un nuovo modo di leggere i vetrini di tessuto tiroideo standard utilizzando misure ottiche avanzate e intelligenza artificiale, con l’obiettivo di aiutare i medici a distinguere il tessuto normale dal tumore in modo più accurato e coerente.

Oltre i colori ordinari nei vetrini

Nella pratica quotidiana, il tessuto tiroideo asportato durante l’intervento viene affettato sottilmente, colorato di rosa e viola e osservato al microscopio. I colori derivano da due coloranti, ematossilina ed eosina, che evidenziano i nuclei cellulari e i tessuti circostanti. Gli scanner digitali tradizionali trasformano questo in una semplice immagine rosso‑verde‑blu (RGB), simile a una fotocamera di telefono. Il gruppo dietro a questo lavoro ha costruito un diverso tipo di sistema di imaging, chiamato imaging spettrale, che misura come ogni minuscolo punto del vetrino assorbe la luce lungo dozzine di lunghezze d’onda nello spettro visibile invece che soltanto in tre. Questa più ricca «impronta colore» cattura differenze sottili legate a quanto il materiale genetico nei nuclei delle cellule sia compatto e organizzato, caratteristiche che spesso cambiano nel cancro.

Trasformare gli spettri delle singole cellule in informazioni utilizzabili

Per sfruttare queste misure dettagliate, i ricercatori hanno prima fatto in modo che patologi esperti delineassero regioni chiaramente normali e chiaramente tumorali su ciascun vetrino. Il loro microscopio spettrale ha poi scansionato entrambe le aree in circa 5–10 minuti per campione, raccogliendo intorno a 40 valori di intensità luminosa per ogni pixel. Una rete neurale specializzata, basata su un’architettura ampiamente usata in imaging medico, ha individuato e delimitato automaticamente i nuclei delle singole cellule. Per ogni nucleo il sistema ha calcolato il suo spettro medio e le sue dimensioni e forma, insieme a quanto lo spettro differisse dai tipici nuclei normali e da quelli tipici del cancro. In questo modo ciò che un patologo vede qualitativamente come nuclei «più scuri» o «più affollati» viene tradotto in caratteristiche numeriche che un computer può analizzare.

Due vie per separare cellule normali e cancerose

Lo studio ha testato due modalità complementari per classificare le cellule. In un approccio semi‑automatico, un patologo segnala ancora una regione come normale e una come tumorale. Il sistema confronta quindi lo spettro di ogni nucleo con spettri di riferimento provenienti da queste due aree, usando un semplice metodo di clustering per separare le cellule probabilmente normali da quelle probabilmente tumorali. Questo metodo ha raggiunto punteggi F1 — un bilancio tra sensibilità e precisione — intorno a 0,8 o superiori per i principali sottotipi di cancro tiroideo, migliorando ulteriormente quando i nuclei borderline con caratteristiche miste venivano messi da parte. In un approccio completamente automatico, un modello di machine learning chiamato random forest ha imparato da oltre 150.000 nuclei etichettati a riconoscere pattern nelle dimensioni, nella forma e nel comportamento spettrale dei nuclei indicativi di cancro. Testato su casi pazienti separati, ha anch’esso raggiunto punteggi F1 superiori a 0,82, senza necessitare di alcuna etichettatura manuale delle regioni.

Dalle singole cellule alle decisioni su ampie aree di tessuto

I medici non basano il trattamento sul destino di una singola cellula, ma sul fatto che aree più estese di tessuto siano tumorali e su quanto la malattia possa essersi diffusa. I ricercatori hanno quindi valutato come si comporta il loro sistema quando raggruppa le cellule in piccole sotto‑regioni e etichetta ciascuna regione come tumorale o normale se la maggior parte dei suoi nuclei appare cancerosa o no. Questa visione basata sulle regioni ha aumentato ulteriormente l’accuratezza, specialmente riducendo falsi allarmi nel tessuto normale. È importante notare che l’approccio è rimasto trasparente: ogni decisione può essere ricondotta a caratteristiche cellulari e spettri visibili, evitando il comportamento da «scatola nera» che rende alcuni strumenti di deep learning difficili da fidare in ambito clinico.

Cosa potrebbe significare per pazienti e medici

Lo studio mostra che aggiungere misure spettrali dettagliate e intelligenza artificiale progettata con cura ai vetrini tiroidei di routine può evidenziare in modo affidabile dove è presente il cancro, anche in sottotipi insidiosi che spesso confondono gli esperti. Poiché il metodo funziona sugli stessi coloranti standard già usati in tutto il mondo, potrebbe essere integrato nei flussi di lavoro della patologia digitale senza modificare la preparazione dei tessuti. Piuttosto che sostituire i patologi, il sistema fornisce una mappa dei nuclei probabilmente normali e tumorali su tutto il vetrino, aiutando a confermare diagnosi difficili, accelerando le revisioni e potenzialmente riducendo il rischio sia di cancri non rilevati sia di trattamenti aggressivi non necessari.

Citazione: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Parole chiave: cancro alla tiroide, patologia digitale, imaging spettrale, intelligenza artificiale, diagnosi del cancro