La rivoluzione non suonerà domani: già oggi la patologia digitale è piena di tentativi a volte brillanti di trasformare il lento, preciso e umanissimo atto di diagnosticare un campione tissutale in un balletto algoritmico. Deep-learning per biopsie istologiche non è più fantascienza. Sta diventando realtà grazie a innovazioni come l’annotazione pixel-Wise e gli assistenti digitali in patologia che fluently dialogano con l’occhio addestrato del patologo.
Nella maturità eroica dei patologi, ogni pixel conta, e annotarlo è un lavoro da certosini esausti. Si disegna, si contorna, si indica ogni cellula interessante: per i modelli deep-learning, annotazione pixel-Wise è oro puro ma costa tempo, fatica e dolore alla spalla destra. Fino a pochi mesi fa questo era l’unico modo per ottenere sistemi con l’accuratezza richiesta. Con dati come quelli del dataset Camelyon16 per il cancro al seno, ResNet ha raggiunto un AUC di 0,916 e VGG-Net l’90,9 %, contro una media di patologi all’81,1 %. Va detto: annotare ogni pixel di un’intera diapositiva digitale (WSI) significa affrontare miliardi di punti, immagini da 224 × 224 pixel che ciascuno richiede occhio e penna del patologo.