Deep Learning sulle immagini istopatologiche per la classificazione del cancro del colon-retto

Colorectal cancer is a common and potentially deadly cancer that affects the colon or rectum. Histopathological image analysis is considered the standard method used by pathologists to classify colorectal cancers based on their differentiation types. However, the subjective nature of these diagnoses increases the likelihood of misdiagnosis. In ad- dition to images, in recent years, there has been a growing understanding of the crucial role played by abnormal microRNA expression in the initiation and progression of col- orectal cancer. This thesis focuses on utilizing convolutional neural networks for analyzing histologi- cal images of colorectal cancer. The primary objective is to extract meaningful features that capture tumor tissue characteristics accurately and concisely. Deep learning models have demonstrated remarkable performance in feature extraction, making them suitable for histological image analysis. The secondary objective of this thesis is to explore the potential connection between the features extracted from histological images and spe- cific miRNA sequences. To this end, FeatSee, a software developed by researchers at the University of Turin, is employed. FeatSee utilizes machine learning algorithms to perform feature selection. By leveraging these tools, the research aims to uncover im- portant information about tumor tissue characteristics and their potential relationship with miRNA subsequences. The findings contribute to advancing our understanding of colon cancer and may have implications for improved diagnostic and therapeutic strate- gies in the future.

Il cancro del colon-retto è un cancro comune e potenzialmente mortale che colpisce il colon o il retto. L’analisi istopatologica delle immagini è considerata il metodo standard utilizzato dai patologi per classificare i tumori del colon-retto in base ai loro tipi di dif- ferenziazione. Tuttavia, la natura soggettiva di queste diagnosi aumenta la probabilità di diagnosi errate. Oltre alle immagini, negli ultimi anni c’è stata una crescente com- prensione del ruolo cruciale svolto dall’espressione anormale di microRNA nell’inizio e nella progressione del cancro del colon-retto. Questa tesi si concentra sull’utilizzo di reti neurali convoluzionali per l’analisi di im- magini istologiche del cancro del colon-retto. L’obiettivo principale è estrarre features significative che catturino le caratteristiche del tessuto tumorale in modo accurato e con- ciso. I modelli di deep learning hanno dimostrato prestazioni notevoli nell’estrazione delle features, rendendoli adatti all’analisi delle immagini istologiche. L’obiettivo sec- ondario di questa tesi è quello di esplorare la potenziale connessione tra le caratteristiche estratte da immagini istologiche e specifiche sequenze di miRNA. A tal fine viene imp- iegato FeatSee, un software sviluppato dai ricercatori dell’Università di Torino. FeatSee utilizza algoritmi di apprendimento automatico per eseguire feature selection. Sfrut- tando questi strumenti, la ricerca mira a scoprire informazioni importanti sulle carat- teristiche del tessuto tumorale e sulla loro potenziale relazione con le sottosequenze di miRNA. I risultati contribuiscono a far progredire la nostra comprensione del cancro del colon e potrebbero avere implicazioni per migliori strategie diagnostiche e terapeutiche in futuro.