Deep learning e microscopia a forza atomica per la diagnosi automatica di meningiomi

Abstract

Questa tesi esplora il potenziale dell'AFM (Microscopia a Forza Atomica) e del deep learning per la diagnosi e classificazione automatica. L'AFM offre un approccio ad alta risoluzione per comprendere le caratteristiche meccaniche dei tumori cerebrali. Sebbene presenti numerosi vantaggi per la diagnosi, la complessità dell'analisi dei suoi dati ne limita l'adozione clinica. Una possibile soluzione a questo ostacolo è lo sviluppo di approcci completamente automatizzati per analizzare i dati AFM, rendendoli strumenti diagnostici diretti. Questa ricerca mira a superare questa sfida attraverso l'addestramento di modelli di deep learning per la classificazione dei tumori e la previsione degli esiti di recidiva. Tre compiti principali sono stati definiti in questo studio. In primo luogo, diversi modelli di deep learning, sia pre-addestrati sia addestrati da zero, sono stati utilizzati per la classificazione dei meningiomi. I dati AFM, sotto forma di immagini di curve di forza, sono stati impiegati per addestrare questi modelli. Nel secondo compito, un modello di classificazione multi-classe è stato utilizzato per prevedere e distinguere i tre casi con diversi esiti di recidiva, basandosi sui risultati AFM ottenuti da campioni di biopsia. Il terzo task ha riguardato la valutazione della variazione tra campioni all'interno di ciascuna classe di meningiomi, utilizzando heatmap. Il risultato di questo compito ha fornito informazioni sulla variabilità intrinseca all'interno di ciascun campione e ha aiutato a spiegare le prestazioni del modello nella previsione degli esiti del secondo compito. I nostri risultati preliminari sono promettenti: i modelli sviluppati mostrano un ottimo potenziale per la classificazione dei tumori e la previsione degli esiti di recidiva, integrando dati AFM e tecniche di deep learning.

This thesis explores the potential of AFM and deep learning for automatic diagnosis and classification. AFM offers a high-resolution approach to understanding the mechanical characteristics of the brain tumors. AFM provides several advantages in tumor diagnosis but its data analysis complexity limits clinical adoption. One potential solution to overcome this obstacle is to develop fully automated approaches for analyzing AFM data that can be used as a direct diagnostic tool. This research aims at addressing this challenge by training deep learning models for tumor classification and recurrence outcome prediction. Three primary tasks were defined in this study. First, several pre-trained and trained-from-scratch deep learning models were used for meningiomas classification. AFM data in form of force curve images were used to train these models. In the second task, a multi-class classification model was used to predict and distinguish the three cases with different recurrence outcomes, based on AFM results obtained from biopsy samples. The third task involved evaluation sample variation within each meningioma class using heat maps. The result of this task provided insights into the intrinsic variability within each samples and helped explain the model's performance for outcome prediction in the second task. Our preliminary results are promising, with our models showing great potential for tumor classification and recurrence outcome prediction by integrating deep learning and AFM data.