![pageSearch](/themes/hestia/images/page-search.webp)
3D
Aug 12, 2023Notizie dal settore della stampa 3D affettate: Element Materials, Farsoon, Mechnano, Enable 3D, Renishaw e altro ancora
Jun 16, 2023Campione microfantoccio a dispersione 3D per valutare l'accuratezza quantitativa nelle tecniche di microscopia in fase tomografica
May 30, 2023Un 3D
Jun 24, 2023Un'aula in cui insegnanti e bambini si divertono e hanno successo
Jul 06, 2023Intelligenza artificiale nell'istopatologia del cancro ovarico: una revisione sistematica
![Aug 07, 2023](/themes/hestia/images/news-details-icon1.webp)
npj Precision Oncology volume 7, numero articolo: 83 (2023) Citare questo articolo
Dettagli sulle metriche
Questo studio valuta la qualità della ricerca pubblicata utilizzando l’intelligenza artificiale (AI) per la diagnosi o la prognosi del cancro ovarico utilizzando dati istopatologici. Una ricerca sistematica su PubMed, Scopus, Web of Science, Cochrane CENTRAL e WHO-ICTRP è stata condotta fino al 19 maggio 2023. I criteri di inclusione richiedevano che l'intelligenza artificiale fosse utilizzata per inferenze prognostiche o diagnostiche nelle immagini istopatologiche del cancro ovarico umano. Il rischio di bias è stato valutato utilizzando PROBAST. Le informazioni su ciascun modello sono state tabulate e sono state riportate statistiche riepilogative. Lo studio è stato registrato su PROSPERO (CRD42022334730) e sono state seguite le linee guida per la rendicontazione PRISMA 2020. Le ricerche hanno identificato 1573 documenti, di cui 45 idonei all'inclusione. Questi studi contenevano 80 modelli di interesse, inclusi 37 modelli diagnostici, 22 modelli prognostici e 21 altri modelli diagnosticamente rilevanti. I compiti comuni includevano la previsione della risposta al trattamento (11/80), la classificazione dello stato di malignità (10/80), la quantificazione delle macchie (9/80) e la sottotipizzazione istologica (7/80). I modelli sono stati sviluppati utilizzando 1–1375 vetrini istopatologici di 1–776 pazienti con cancro ovarico. In tutti gli studi è stato riscontrato un rischio elevato o poco chiaro di bias, il più delle volte a causa di un’analisi limitata e di un reporting incompleto riguardo al reclutamento dei partecipanti. È stata condotta una ricerca limitata sull’applicazione dell’intelligenza artificiale alle immagini istopatologiche per scopi diagnostici o prognostici nel cancro ovarico e nessuno dei modelli ha dimostrato di essere pronto per l’implementazione nel mondo reale. Gli aspetti chiave per accelerare la traduzione clinica includono un reporting trasparente e completo della provenienza dei dati e degli approcci di modellazione, nonché una migliore valutazione quantitativa utilizzando la convalida incrociata e le convalide esterne. Questo lavoro è stato finanziato dal Consiglio di ricerca di ingegneria e scienze fisiche.
Il cancro ovarico è l’ottavo tumore maligno più comune nelle donne in tutto il mondo1. È notoriamente difficile da individuare e diagnosticare, a causa di uno screening inefficace2 e di sintomi non specifici simili a quelli causati dalla menopausa3. Comprendendo i tumori maligni primari delle ovaie, delle tube di Falloppio e del peritoneo, la malattia ha spesso iniziato a diffondersi all'interno dell'addome al momento della diagnosi (FIGO4 Stadio 3). Questa tipica fase tardiva della diagnosi rende il cancro ovarico una malattia particolarmente mortale, con 314.000 nuovi casi diagnosticati ogni anno che si traducono in 207.000 decessi all'anno a livello globale1.
La maggior parte dei tumori ovarici sono carcinomi (tumori di origine epiteliale) che rientrano prevalentemente in cinque sottotipi istologici: sieroso di alto grado, sieroso di basso grado, a cellule chiare, endometrioide e mucinoso. I tumori ovarici non epiteliali sono molto meno comuni e comprendono tumori delle cellule germinali, dei cordoni sessuali stromali e mesenchimali. I sottotipi di cancro ovarico differiscono dal punto di vista morfologico e prognostico e hanno diverse opzioni di trattamento5. Il carcinoma sieroso ad alto grado è la forma più comune di cancro ovarico e rappresenta circa il 70% di tutti i casi6.
L’istopatologia, l’esame dei campioni di tessuto a livello cellulare, è il gold standard per la diagnosi del cancro ovarico. I patologi in genere interpretano il tessuto colorato con ematossilina ed eosina (H&E), sebbene l'interpretazione possa essere un processo soggettivo e dispendioso in termini di tempo, con alcuni compiti che presentano un elevato livello di variazione tra osservatori7,8,9. Nella valutazione dei casi difficili, i patologi generali possono chiedere assistenza agli esperti di patologia ginecologica di sottospecialità e/o utilizzare test accessori, come l'immunoistochimica (IHC). Le visite specialistiche e i test accessori possono essere essenziali per l'accuratezza del processo diagnostico, ma hanno il costo di renderlo più lungo e costoso. A livello mondiale, la domanda di patologi è molto maggiore dell’offerta, con disparità significative nel numero di patologi tra i paesi10 e con i paesi meglio forniti ancora incapaci di soddisfare la domanda11.