Il percorso diagnostico, immutato da molto tempo nelle sue fasi essenziali, vede ora la possibilità di una profonda ed importante evoluzione. Grazie alla Digital Pathology.
Questa nuova tecnologia permette la trasformazione digitale, tramite scanner ad alta
risoluzione, del vetrino sul quale è presente la sezione di tessuto.
Oltre al vetrino fisico tradizionale, il patologo oggi dispone di un vetrino digitale. Gli strumenti di AI amplificano le capacità di ottenere informazioni qualitative e quantitative dai vetrini digitali, nascoste all’occhio umano. E mirano a svolgere anche analisi prognostiche e predittive.
Per comprendere a pieno ciò di cui parleremo è bene fare una premessa.
L’attività classica del patologo
Il patologo svolge un ruolo diagnostico essenziale nella cura dei pazienti, fornendo la diagnosi in molte patologie, incluse tutte le diverse forme di neoplasia. L’ attività diagnostica del patologo si basa principalmente sull’osservazione al microscopio di sezioni di tessuto o di campioni cellulari. Essi derivano da interventi chirurgici, biopsie, agoaspirati e liquidi organici prelevati durante interventi chirurgici, procedure endoscopiche ed agoaspirative effettuate per scopi diagnostici e/o terapeutici.
Questi campioni, necessari per definire la natura dei più svariati processi patologici, sono processati con specifiche metodiche. Lo scopo è la preparazione di sezioni o strisci cellulari da disporre su vetrini. Una volta colorati con coloranti specifici, i vetrini possono poi essere osservati al microscopio.
Queste procedure sono relativamente semplici e nei loro principi base, rimangono inalterate da quasi due secoli.
Infatti, gli ingredienti base e le modalità di preparazione dei tessuti – sostanze chimiche per la fissazione, processazione, inclusione in paraffina, colorazione dei tessuti e delle cellule – sono, con limitate modifiche, gli stessi da oltre 150 anni. Nonostante l’apparente vetustà, questa tecnica tradizionale è poco costosa. E permette al patologo di diagnosticare malattie che, al momento, nessuna altra tecnologia, pur sofisticata, è in grado di definire.
l patologo, invece, osservando al microscopio i vetrini con le sezioni di tessuto colorate con ematossilina ed eosina – i due coloranti tradizionali che identificano le strutture nucleari e citoplasmatiche cellulari – valuta la composizione cellulare. E verifica come sono organizzate le diverse popolazioni cellulari, le caratteristiche delle singole cellule ed i rapporti fra le diverse popolazioni cellulari.
Il processo di valutazione
La valutazione di queste caratteristiche, talora con il supporto di ulteriori indagini effettuate con tecniche di immunofenotipizzazione e di analisi genetico-molecolari, permette al patologo di formulare una diagnosi. E questa diagnosi spesso contiene indicazioni prognostiche di estrema importanza e permetterà al paziente ed al clinico di seguire il più accurato percorso terapeutico.
I vetrini con le sezioni di tessuto e la fonte di queste sezioni, il tessuto incluso in paraffina, prevedono la conservazione ed archiviazione, per rimanere a disposizione del paziente e del patologo per ogni eventuale futura necessità. La capacità del patologo di caratterizzare e definire con precisione le alterazioni osservate dipendono dalla sua esperienza e conoscenza dei processi patologici.
Digital Pathology: che cos’è
La Digital Pathology è invece la nuova tecnologia che consente la trasformazione digitale, via scanner ad alta risoluzione, del vetrino su cui è presente la sezione di tessuto, Oltre al vetrino fisico tradizionale, il patologo dispone di un vetrino digitale. Le caratteristiche dell’immagine del vetrino digitale sono attualmente di qualità equivalente a quelle che vengono osservate dal patologo con un buon microscopio ottico.
Studi condotti in più e diverse realtà hanno dimostrato che non c’è inferiorità della capacità diagnostica del patologo con l’usao del vetrino digitale rispetto a quello fisico. La Digital Pathology potrebbe quindi sembrare la semplice trasformazione digitale del vetrino fisico. Tuttavia l’evoluzione apparente banale, grazie ai progressi della tecnologia digitale e delle infrastrutture informatiche, apre in realtà nuovi scenari. Essi modificheranno nei prossimi anni non solo il lavoro ed il ruolo del patologo nei percorsi diagnostici. Ma permetteranno anche di mettere ancor di più in luce l’enorme mole di informazioni diagnostiche, cliniche e biologiche che la semplice sezione di tessuto racchiude in sé. Si osserveranno dunque importanti benefici per il paziente e per le conoscenze scientifiche.
Possiamo paragonare questa evoluzione a quella avvenuta anni fa in campo fotografico nel passaggio dalla pellicola alla fotografia digitale, anche se con alcune peculiari differenze. Trasformare il vetrino fisico in vetrino digitale significa trasformare le strutture tessutali, le cellule presenti, le loro caratteristiche in entità misurabili ed analizzabili con l’applicazione di metodiche di analisi finora non possibili. Si aggiunge quindi alla valutazione del patologo un ulteriore livello di conoscenza. Finora abbiamo solo qualche esempio, ma lo scenario rimane in gran parte da esplorare.
La trasformazione digitale
Quello che sta avvenendo in patologia è simile a ciò che è già avvenuto in ambito radiologico con il passaggio dalla lastra radiologica alla lastra digitale.
Vediamo perché il patologo dovrebbe abbandonare il microscopio per trasferirsi di fronte ad uno schermo. Infatti il percorso diagnostico attuale è efficace e poco costoso e la formazione del patologo ha lo strumento base nel microscopio. Ma la trasformazione digitale apre nuovi scenari
Digital Pathology: due scenari di sviluppo
Il primo settore profondamente modificato con effetto immediato è quello organizzativo con la trasformazione del workflow del processo diagnostico nei laboratori di anatomia patologica e del lavoro dei patologi.
Infatti, il vetrino digitale, una volta acquisito dallo scanner ed inserito nel LIS- Laboratory Information System/sistema informatico di gestione del laboratorio- diventa disponibile in tutte le postazioni di lavoro. Il patologo può dunque iniziare la sua attività diagnostica visualizzandolo sul proprio monitor.
Per il patologo i vantaggi del vetrino digitale sono molteplici:
- la possibilità di condivisione immediata, senza necessità di spostamento sia del patologo che del vetrino fisico, con colleghi della stessa unità operativa, ma anche a distanza;
- la visione a distanza, potenzialmente ovunque nel mondo, apre la possibilità che parti del lavoro diagnostico possano essere effettuate in remoto. Si facilita così sia il lavoro dei patologi dello staff dell’unità operativa, sia i consulti con esperti di particolari patologie, ovunque siano.
L’emergenza Covid-19 ha messo in evidenza come questa possibilità di
teleconsulto poteva permettere di superare restrizioni logistiche.
La preparazione dei vetrini nella Digital Pathology
Altri aspetti vanno ben oltre la semplice trasformazione digitale del tradizionale vetrino, incidendo profondamente sull’organizzazione del laboratorio. Un buon vetrino digitale può partire solo da un perfetto vetrino fisico. Dunque il laboratorio, in particolare nello staff tecnico deve mettere in atto tutte le attenzioni nelle fasi preanalitiche e di processazione dei campioni per poter arrivare ad una qualità elevata e costante del campione istologico [1].
Digital Pathology: i vantaggi
Per il patologo disporre di un archivio digitale della casistica istologica permette il rapido confronto di campioni istologici dello stesso paziente o di pazienti con patologie similari. Ciò permette un più accurato percorso diagnostico, evitando possibili diagnosi non corrette.
Il vetrino digitale permette inoltre al patologo di poter utilizzare metodologie e supporti diagnostici nell’attività diagnostica. Favoriscono la precisione del suo lavoro, come attività di quantificazione delle diverse componenti cellulari, di indici di proliferazione, di conte precise di positività per specifici marcatori e che finora erano effettuate come conte guidate dall’occhio umano e necessariamente poco precise e soggettive.
In altri termini più qualità e precisione nella caratterizzazione di processi patologici va a tutto vantaggio del paziente.
Altri fattori di cui tenere presente sono per esempio la riduzione del numero di patologi e l’incremento del carico di lavoro per l’aumento di procedure diagnostiche e di screening. Ma anche l’incremento della complessità dei casi e delle procedure per la loro corretta e precisa definizione diagnostica spingono per una più decisa evoluzione digitale.
Criticità da risolvere
Ci sono sicuramente alcuni aspetti di notevole importanza che non sono ancora del tutto risolti. In primis, a differenza di quanto avvenuto in radiologia, non è ancora stato definito uno standard per le immagini di Digital Pathology.
Ogni ditta fornitrice di scanner ha un proprio standard di immagine digitale. Ciò limita l’interscambio fra centri diversi di immagini digitali, non tanto a fini diagnostici, ma a fini di ricerca.
Al momento attuale presso il laboratorio di anatomia patologica dell’Istituto San Donato vengono inoltre digitalizzati giornalmente una media di circa 1200 vetrini. Nell’archivio digitale sono presenti ormai più di 250.000 vetrini.
Questi aspetti pratici hanno grande impatto economico. Riguardano la conservazione, per quanto tempo e rapidità di accesso di queste immagini in archivi digitali. Gli spazi necessari per conservare i vetrini digitali di centri ad alto volume di attività sono dell’ordine di petabyte per anno. Potrebbe infine essere necessario conservare anche il vetrino fisico oltre all’immagine digitale. Ma è ancora da definire. Infatti sono problemi in cerca di una soluzione in tempi relativamente brevi. Intanto, però, limitano in parte la diffusione di questa tecnologia.
Programmi di supporto
Questo è tuttavia solo l’aspetto immediato della rivoluzione che il vetrino digitale apporterà nel lavoro del patologo. Il vetrino digitale rappresenta infatti il punto di partenza dell’applicazione di processi di elaborazione delle informazioni contenute nella sezione di tessuto, trasformato in un’immagine digitale. Essi vanno da programmi di supporto diagnostico ad algoritmi di screening diagnostico ad algoritmi di intelligenza artificiale. Questo scenario è attualmente nella sua fase iniziale. Ma promette di avere un impatto enorme nel settore della diagnostica istopatologica. Tuttavia, al momento, è ancora difficile predire quale sarà l’evoluzione in questo campo in rapidissimo progresso.
La Digital Pathology e l’applicazione dell’AI
L’Intelligenza Artificiale (AI), proposto da McCarthy e coll. nel 1956 [2] è un termine
generico che può abbracciare molti significati. Si riferisce alla possibilità che macchine possano essere utilizzate per predizioni o soluzioni di problemi alla stessa stregua della mente umana in simili situazioni.
E dopo 70 anni, da previsione, l’AI è realtà. Ma siamo solo agli inizi dell’applicazione pratica di strumenti di AI alla pratica diagnostica. Dunque è assai difficile predire quale impatto essa avrà, nella pratica diagnostica e quali ne saranno i tempi.
Nella pratica clinica, il patologo basa la propria diagnosi istologica sul riconoscimento visuale, su valutazioni semi-quantitative di molteplici aspetti morfologici presenti nel vetrino fisico, integrandoli nel contesto clinico.
Con un percorso formativo specifico e della durata di molti anni, il patologo riesce ad individuare ed estrarre dal campione gli aspetti morfologici rilevanti. Comparati con criteri accumulati nella letteratura scientifica, inquadrati nei diversi ambiti dei processi patologici, permettono di classificare il quadro patologico. Sotto forma scritta, forniscono un referto istopatologico per il medico curante.
L’esperienza maturata dal patologo e l’utilizzo di linee guida standardizzate favoriscono un percorso diagnostico standardizzato e l’accuratezza diagnostica. Tuttavia si tratta sempre di un processo diagnostico dove mantengono un ruolo importante la soggettività e la diversa capacità di percezione visiva di ognuno, incluso il patologo.
Tecniche sempre meno invasive
Questa attività è resa ancor più difficile dall’utilizzo di tecniche sempre meno invasive per l’acquisizione di campioni tessutali con dimensioni sempre più limitate. Al contempo è pressante la richiesta di referti istopatologici corredati con un sempre maggior numero di dati di valore prognostico e predittivo.
Programmi di AI, già approvati per uso diagnostico, sono in grado di affiancare e forse sostituire il patologo per alcuni specifici quesiti diagnostici.
Esempi di questa tipologia di programmi, già utilizzabili nella pratica clinica sono dedicati alla diagnostica di biopsie prostatiche per l’identificazione e la valutazione del grading dell’adenocarcinoma prostatico [3] e per l’identificazione di micrometastasi linfonodali nel carcinoma mammario [4].
Machine Learning: apprendimento
automatico supervisionato
Questi programmi sono stati elaborati attraverso un processo per molti aspetti simile al training del patologo, detto Machine Learning supervised, o apprendimento
automatico supervisionato e che consiste nell’apprendere dall’analisi di un set casistico per raggiungere un risultato già definito in partenza.
L’analisi computazionale di un elevato numero di vetrini digitali con diagnosi predefinite effettua l’estrazione e la classificazione di molteplici aspetti morfologici. Attraverso ripetuti cicli di valutazione e correzione, permette di raggiungere lo stesso risultato diagnostico inizialmente definito dal patologo.
Dopo questa fase iniziale il modello algoritmico sviluppato va poi testato su ulteriori set di casistica per definirne sensibilità e specificità nella pratica diagnostica. Tuttavia uesti programmi, di supporto e controllo diagnostico all’operato del patologo e la cui approvazione diagnostica è relativamente recente, non hanno ancor avuto un’ampia applicazione routinaria, Questa potrebbe indicare quanto migliorare la qualità e riproducibilità nella pratica diagnostica routinaria.
La rete di Federated Learning
All’Istituto San Donato è stato avviato a questo scopo un progetto di ricerca, finanziato dal Ministero della Salute. Si ripromette di valutare l’impatto di tali algoritmi sulla diagnosi ed il grading dell’adenocarcinoma prostatico in un’ampia casistica di pazienti sottoposti a biopsie prostatiche.
Oltre al nostro Istituto come capofila, parteciperanno altri due ospedali italiani, di Reggio Emilia e Trento, attraverso una rete di Federated Learning, per una casistica complessiva di 1200 pazienti.
Reti neurali e deep learning
A questa modalità di sviluppo computazionale, relativamente semplice, si sono aggiunte recentemente ulteriori e più complesse modalità di analisi e di elaborazione dei dati ricavabili dal vetrino digitale. Così pure per altri aspetti dell’imaging medico. Sono infatti disponibili più potenti unità di processazione. Esse hanno permesso lo sviluppo di reti neurali ed il deep learning, in grado di elaborare ed integrare non solo dati strutturati, ma anche di origine e composizione diversa. Tuttavia richiedono un training di apprendimento più lungo e complesso.
Gli strumenti di AI moltiplicano le nostre capacità di ottenere informazioni qualitative e quantitative dai vetrini digitali, nascoste all’occhio umano. Possono anche permettere l’integrazione dei dati derivanti da altre scienze omiche, quali radiomica, genomica e proteomica. L’obiettivo è quello di fornire un quadro multidimensionale con più robuste potenzialità prognostiche e predittive (4-5). Infatti la morfologia delle cellule e dei tessuti normali e patologici che osserviamo nel vetrino fisico e nel vetrino digitale è il frutto di specifici stati funzionali, governati da specifici corredi genetici, di trascrittomica e proteomica.
La possibilità di individuare nel vetrino digitale tramite programmi di AI quali sono le alterazioni genomiche e trascrittomiche, determinanti di quella specifica morfologia, può produrre un salto di enorme portata alla diagnostica patologica. Infatti permette di indicare l’evoluzione di una determinata patologia neoplastica e la sua possibile risposta ai diversi tipi di trattamento.
L’applicabilità dell’AI nella Digital Pathology
Questi scenari sono di estremo interesse. Tuttavia pongono una serie di domande di ordine pratico e sulla loro possibile applicabilità in tutti i laboratori. Lo sviluppo e l’utilizzo di programmi di AI richiede investimenti e competenze specifiche.
Ingegneri informatici e Data Scientist sono i principali attori nello sviluppo degli algoritmi di AI e la figura del patologo è essenzialmente l’utilizzatore finale. Ma nel contempo deve guidare lo sviluppo, valutare ed utilizzare i risultati di questa nuova
tecnologia.
Quindi è necessario creare gruppi interdisciplinari che uniscano le competenze
relative allo sviluppo ed all’utilizzo dei sistemi di AI, alle competenze diagnostiche e cliniche nella loro applicazione pratica. Significa quindi introdurre nuove figure professionali nel percorso diagnostico e clinico. Al contempo bisogna introdurre nuovi percorsi formativi per il patologo. Ma anche per le altre branche diagnostiche e cliniche. L’importante è che sappiano utilizzare e gestire questi nuovi strumenti di lavoro.
Conclusioni
Sotto l’aspetto economico, serve lo sviluppo dei programmi di AI che richiedono investimenti e ricerca. Ormai sono numerose le ditte che propongono tali programmi.
Occorre capire quale sarà il loro costo e se questi programmi di AI sostituiranno il patologo nella sua funzione diagnostica.
Pur essendo difficile predire il futuro, viene da rispondere che non si rischia questo pericolo, almeno per un lungo periodo di tempo.
L’estrema varietà e complessità dei quadri patologici richiederanno ancora la formazione, la preparazione e l’esperienza del patologo. Possiamo prevedere che l’AI ridurrà parte del lavoro del patologo per quanto riguarda alcuni compiti ripetitivi, in diagnostiche meno complesse. Inoltre ridurrà la soggettività, migliorando la riproducibilità e la standardizzazione della diagnostica patologica.
Nel breve tempo, possiamo aspettarci che programmi di AI aumentino anche le possibilità prognostiche e predittive nell’analisi di molte patologie neoplastiche. Solo un’oncologia di precisione può permettere al patologo di dedicare più tempo, attenzione e ricerca ai casi più complessi.
Bibliografia
[1] Fraggetta F, L’Imperio V, Ameisen D, Carvalho R, Leh S, Kiehl TR, Serbanescu M, Racoceanu D, Della Mea V, Polonia A, Zerbe N, Eloy C. Best Practice Recommendations for the Implementation of a Digital Pathology Workflow in the Anatomic Pathology Laboratory by the European Society of Digital and Integrative Pathology (ESDIP). Diagnostics (Basel). 2021 Nov 22;11(11):2167. doi: 10.3390/diagnostics11112167. PMID: 34829514.
[2] McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine, 27(4), 12. https://doi.org/10.1609/aimag.v27i4.1904
[3] Campanella G, Hanna MG, Geneslaw L, Miraflor A, Werneck Krauss Silva V, Busam KJ, Brogi E, Reuter VE, Klimstra DS, Fuchs TJ. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019 Aug;25(8):1301-1309.
[4] van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology: the path to the clinic. Nat Med. 2021 May;27(5):775-784. doi: 10.1038/s41591-021-01343-4. Epub 2021 May 14. PMID: 33990804.
[5] Swanson K, Wu E, Zhang A, Alizadeh AA, Zou J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 2023 Apr 13;186(8):1772-1791. doi: 10.1016/j.cell.2023.01.035. Epub 2023 Mar 10. PMID: 36905928.
[6] Reis-Filho JS, Kather JN. Overcoming the challenges to implementation of artificial intelligence in pathology. J Natl Cancer Inst. 2023 Jun 8;115(6):608-612. doi: 10.1093/jnci/djad048. PMID: 36929936; PMCID: PMC10248832.
