Studio del carcinoma squamoso della vulva con tecniche di Deep Learning multimodale

Ilaria Lorenzetti 894757. Supervisor Prof. Benedetto. Co-supervisor Prof. Cosma. Squamous vulvar cancer analysis with deep learning techniques BACKGROUND: Vulvar carcinoma is a rare malignant neoplasm, with squamous cell carcinoma accounting for approximately 90% of cases. Despite its clinical significance and its increasing incidence in younger women, it remains understudied, necessitating new trials for effective diagnostic and therapeutic approaches. The gold standard for diagnosis remains histological confirmation of the tumour, but advances in digital pathology and artificial intelligence have presented the potential to analyse it under a new light. Digitized whole-slide images (WSI) can provide extensive information on the tissue, such as tumour microenvironment, individual resistance to treatments, prognosis, and even genomic status, which may help define new prognostic indicators for cancers and new therapeutic targets. OBJECTIVE: In this study, we tried to explore whether lymph node status in vulvar SCC can be predicted using computational pathology from standard digitized haematoxylin and eosin histology slides. PATIENTS AND METHODS: We enrolled 136 patients with vulvar squamous cell carcinoma, who underwent surgery between 2010 and 2023, at Sant'Anna Gynaecological Hospital. We obtained 280 whole-slide histological images (WSIs) for the internal development and validation of CLAM, a weakly supervised deep learning method using attention-based learning to automatically identify diagnostically valuable subregions, and accurately classify the entire slide. The experimentation with CLAM begins by segmenting the whole slide images (WSIs), the remaining image is then divided into patches using a regular grid. Each patch is processed by the ResNet50 neural network, which produces feature vectors. CLAM uses these vectors to automatically identify relevant regions within each slide, guiding the image classification on a slide level. 80% of the slides are used for training, 10% are used for validation and another 10% for testing. CLAM's output is binary, indicating the positivity or negativity of lymph nodes. RESULTS: The results were calculated using the ROC curve and AUC, the area under the ROC curve, which represents the trade-off between the true positive rate and the false positive rate at various threshold levels. In the best fold, we achieved an AUC of 66 ± 0.14 [0.58−0.74]. The Balanced Accuracy, calculated as the average of the true positive rate and the true negative rate, was instead 0.56 ± 0.07 [0.50−0.58]. CONCLUSION: The model was partially able to predict the lymph node status of patients based solely on hematoxylin and eosin images. Overall, these results suggest that integrating deep learning approaches into the pathologist's workflow could lead to improvements in reproducibility, accuracy, and clinical value of diagnoses. This could be considered a first step towards using this model in vulvar SCC, which could be enhanced with further adjustments such as training with a larger number of WSIs, using stain normalization, or even three-dimensional images. This study lays the groundwork for the use of deep learning in surgery as well, enabling the surgeon to potentially avoid total lymphadenectomy in patients with tumors smaller than 4cm.

Ilaria Lorenzetti 894757. Studio del carcinoma squamoso della vulva con tecniche di deep learning multimodale. Relatrice Prof.ssa Benedetto, Correlatore Prof. Cosma. BACKGROUND: Il carcinoma della vulva è una rara neoplasia giecologica maligna, di cui l’istotipo a cellule squamose rappresenta circa il 90% dei casi. Nonostante la sua rilevanza clinica e la sua incidenza in aumento in donne sempre più giovani, rimane poco studiato, e necessiterebbe di nuovi approfondimenti per approcci diagnostici e terapeutici efficaci. Il gold standard per la diagnosi rimane la conferma istologica, ma i progressi nella patologia digitale e nell'intelligenza artificiale hanno aperto nuove prospettive. Le immagini digitalizzate a tutto vetrino (WSI) possono offrire una vasta gamma di informazioni sul tessuto, come il microambiente tumorale, la risposta individuale ai trattamenti, la prognosi e lo stato genomico del tumore, contribuendo così alla definizione di nuovi indicatori prognostici e obiettivi terapeutici. OBIETTIVO: Nello studio in oggetto, abbiamo investigato la possibilità di predire lo stato dei linfonodi nel carcinoma squamoso della vulva mediante l'utilizzo della patologia computazionale, a partire da vetrini istologici digitalizzati colorati con ematossilina ed eosina. PAZIENTI E METODI: Sono state arruolate per questo studio 136 pazienti operate per carcinoma squamoso della vulva presso l'Ospedale Ginecologico Sant'Anna tra il 2010 e il 2023. Abbiamo ottenuto 280 immagini a vetrino intero (WSI) da studiare con CLAM (Clustering-constrained Attention Multiple instance learning), un metodo di deep learning che sfrutta layer di attenzione per identificare automaticamente le sotto-regioni di elevato valore diagnostico della slide, e classificare con precisione l'intero vetrino. La sperimentazione con CLAM è iniziata segmentando le immagini a vetrino intero, poi suddividendole in patches tramite una griglia regolare. Ogni patch è stata elaborata dalla rete neurale ResNet50, che produce vettori di caratteristiche, che CLAM ha utilizzato per identificare automaticamente le regioni rilevanti all'interno di ciascuna slide, guidando la classificazione delle immagini a livello di vetrino. L’80% delle slides è stato usato in Training, il 10% come Validazione e il 10% nel Test. L'output di CLAM è binario, e nel nostro caso indica la positività o negatività dei linfonodi. RISULTATI: I risultati sono stati calcolati utilizzando la curva ROC e l’AUC (trade-off tra il tasso di veri positivi e il tasso di falsi positivi a vari livelli di soglia). Nel Fold migliore abbiamo ottenuto un’AUC di 66±0.14[0.58−0.74]. La Balanced Accuracy, calcolata come la media del tasso di veri positivi e del tasso di veri negativi, è invece di di 0.56±0.07[0.50−0.58]. CONCLUSIONI: Il modello è stato in grado di predire in parte lo status linfonodale delle pazienti a partire dalle immagini in ematossilina eosina. In generale, questi risultati suggeriscono che integrare approcci basati sul deep learning nel lavoro del patologo potrebbe migliorare la riproducibilità, la precisione e il valore clinico delle diagnosi. Questo può essere considerato un primo passo per l’utilizzo del modello nel SCC vulvare, che potrebbe essere migliorato con accorgimenti come il training con un numero maggiore di WSIs o l'uso della stain normalization, oltre all’utilizzo di immagini 3D. Lo studio pone le basi per l'utilizzo del DL anche in chirurgia, come strumento per decidere se praticare o meno la linfadenectomia radicale nelle pazienti con tumori inferiori ai 4cm.