Apprendimento profondo per la previsione della malignità e dell’origine del tumore usando immagini digitali di lamine citologiche o istopatologiche

Perché i liquidi attorno ai polmoni e all’addome sono importanti

Quando si accumula liquido intorno ai polmoni (versamento pleurico) o nell’addome (ascite), può essere un primo segnale che il cancro si è diffuso. I medici esaminano questi liquidi al microscopio alla ricerca di cellule tumorali, ma il compito è meticoloso e anche gli esperti a volte non sono d’accordo. Questo studio descrive un nuovo sistema di intelligenza artificiale (IA) in grado di analizzare intere lamine digitali di questi liquidi, aiutare a determinare se è presente un tumore e persino suggerire dove nel corpo il tumore abbia probabilmente avuto origine.

Trasformare le vetrini microscopici in mappe digitali

I laboratori di patologia moderni possono scansionare i vetrini in immagini digitali a altissima risoluzione, ciascuna contenente milioni di cellule. I ricercatori hanno utilizzato queste immagini di lamine intere provenienti da due tipi di preparazioni: sottili “smear” di cellule e compatti “cell block” che assomigliano a piccoli campioni tissutali. Si sono concentrati sui liquidi del torace e dell’addome raccolti in un grande ospedale, insieme a campioni di tessuto aggiuntivi tratti da un ampio database oncologico internazionale. Poiché segnare manualmente ogni cellula tumorale è impossibile su questa scala, il team ha sviluppato un metodo in grado di apprendere da etichette a livello di lamina come “maligno” o “benigno” senza annotazioni dettagliate.

Un’IA che impara da sola cosa cercare

Il sistema, chiamato MAMILE‑UNI, combina due idee chiave. Primo, suddivide ogni lamina in molte piccole patch d’immagine e le passa attraverso una potente rete “transformer” pre‑addestrata, senza etichette umane, su milioni di immagini di patologia. Questa fase di auto‑apprendimento permette al modello di scoprire autonomamente pattern visivi utili—come aggregati cellulari e texture tissutali. Secondo, un modulo di attenzione impara quali patch su una lamina sono più rilevanti per la diagnosi, emulando in pratica il modo in cui un patologo cerca aree sospette. Le patch che influenzano maggiormente la decisione vengono evidenziate, producendo mappe di calore che mostrano dove l’algoritmo “ha guardato” quando ha classificato una lamina come tumorale o non tumorale.

Rilevare il cancro nei liquidi toracici e addominali

Il team ha valutato MAMILE‑UNI su 1.250 lamine provenienti da versamenti pleurici e ascite. Rispetto a cinque tra i principali metodi di deep learning, il nuovo sistema è risultato costantemente più accurato. Per i versamenti pleurici ha distinto correttamente lamine maligne da benigne in circa 9 casi su 10 sia per gli smear sia per i cell block. Per l’ascite ha raggiunto un’accuratezza simile ed è stato particolarmente efficace nel mantenere sia alta sensibilità (individuare i veri casi di cancro) sia alta specificità (evitare falsi allarmi). I test statistici hanno mostrato che le sue predizioni si sono allineate strettamente alle diagnosi reali ed erano significativamente migliori rispetto ai modelli IA concorrenti. Importante, il sistema è rimasto affidabile anche quando le cellule tumorali erano rare su una lamina, una situazione che spesso mette in difficoltà i lettori umani.

Tracciare da dove proviene il cancro

Oltre a segnalare la malignità, gli autori si sono chiesti se l’IA potesse inferire dove avesse avuto origine un tumore metastatico—una sfida importante quando il sito primario è sconosciuto. Utilizzando smear citologici da versamenti pleurici e ascite, il modello ha imparato ad assegnare le lamine a gruppi di origine ampi come polmone, mammella, tratto gastrointestinale o organi ginecologici. È stato particolarmente accurato per i tumori polmonari e mammari, mentre le prestazioni sono state più modeste per tumori più rari o visivamente più eterogenei. Per testare la generalità, i ricercatori hanno inoltre applicato MAMILE‑UNI a 1.196 sezioni tissutali provenienti da 69 ospedali nel mondo. Su queste lamine istologiche, il sistema ha identificato l’origine del tumore con un’accuratezza sorprendentemente alta, avvicinandosi a una corrispondenza quasi perfetta con le diagnosi di riferimento.

Velocità, efficienza e supporto per i clinici

I patologi spesso impiegano almeno dieci minuti per rivedere attentamente una singola lamina citologica digitale. Al contrario, MAMILE‑UNI può elaborare una lamina intera e restituire una predizione in meno di due minuti su una scheda grafica standard, dopo aver compresso immagini di dimensioni gigabyte in insiemi di caratteristiche compatti. Valutazioni basate su curve hanno mostrato che il modello tende a collocare i casi realmente maligni nelle posizioni più alte della lista di priorità, offre un equilibrio favorevole tra benefici e rischi attraverso diverse soglie decisionali e produce punteggi di probabilità che si allineano bene con gli esiti reali. Le mappe di attenzione si sovrapponevano strettamente alle aree indicate dai patologi esperti, suggerendo che il focus dell’IA è clinicamente significativo e non arbitrario.

Cosa significa per pazienti e medici

Per i pazienti con liquido nel torace o nell’addome, una diagnosi tempestiva e accurata influenza fortemente le decisioni terapeutiche, eppure i test attuali possono essere lenti, soggettivi e costosi. Questo studio mostra che un sistema IA progettato con cura può eseguire uno screening affidabile di lamine digitali di liquidi e tessuti per segni di cancro e fornire indizi sull’origine della malattia, utilizzando risorse computazionali modeste. Gli autori sottolineano che MAMILE‑UNI non sostituisce i patologi, ma è uno strumento di supporto che potrebbe ridurre il carico di lavoro, migliorare la coerenza e ampliare l’accesso a diagnostica oncologica di alta qualità—soprattutto in contesti dove le competenze specialistiche e i test di laboratorio avanzati sono limitati.

Citazione: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Parole chiave: IA citologia, versamento pleurico, ascite, predizione dell’origine del tumore, patologia digitale