Classificazione automatizzata delle cellule basata su IA e analisi spaziale dei tessuti nella malattia infiammatoria intestinale

Inflammatory Bowel Disease (IBD) is a chronic, immune-mediated condition characterized by relapsing intestinal inflammation and substantial heterogeneity in disease presentation, progression, and therapeutic response. Accurate assessment of tissue-level inflammation is central to diagnosis and disease monitoring, particularly in the context of treat-to-target strategies that increasingly emphasize objective endpoints such as histologic remission. However, conventional histopathological evaluation of hematoxylin and eosin (H&E)–stained biopsies relies largely on qualitative or semi-quantitative assessment, is subject to inter-observer variability, and is difficult to scale for large or longitudinal studies. In this thesis, a computational pipeline for automated cell detection, segmentation, and classification in histological images of IBD-related samples is developed and evaluated. The approach leverages a deep learning model trained on large, publicly available histopathology datasets to perform nuclei segmentation and morphology-aware cell classification directly from routine H&E images. The extracted cell-level information is subsequently organized into structured outputs suitable for quantitative and spatial analysis. The proposed workflow enables objective characterization of cellular composition and spatial organization within intestinal tissue, providing a reproducible alternative to manual histologic assessment. By focusing on scalable cell-level analysis, this work aims to support more precise evaluation of microscopic inflammation and to facilitate integration of histologic data into data-driven disease assessment frameworks. Overall, the results highlight the potential of artificial intelligence–based histopathology to enhance tissue-level analysis in IBD and to contribute to improved diagnostic and research methodologies.

Le Malattie Infiammatorie Croniche Intestinali (Inflammatory Bowel Disease, IBD) rappresentano un gruppo di patologie croniche a mediazione immunitaria caratterizzate da un decorso recidivante e da un’elevata eterogeneità nella presentazione clinica, nella progressione della malattia e nella risposta ai trattamenti. Una valutazione accurata dell’infiammazione a livello tissutale è fondamentale sia in fase diagnostica sia nel monitoraggio della malattia, in particolare nel contesto delle strategie treat-to-target, che attribuiscono crescente importanza a endpoint oggettivi quali la remissione istologica. Tuttavia, la valutazione istopatologica convenzionale di campioni di tessuto colorato con ematossilina-eosina (H&E) si basa prevalentemente su criteri qualitativi o semi-quantitativi, è soggetta a variabilità inter-osservatore e risulta difficilmente scalabile in studi di ampie dimensioni. In questa tesi viene sviluppata e validata una pipeline computazionale per il rilevamento, la segmentazione e la classificazione automatica delle cellule in immagini istologiche di campioni correlati alle MICI. L’approccio proposto sfrutta un modello di deep learning addestrato su ampi dataset istopatologici pubblicamente disponibili per eseguire la segmentazione dei nuclei e una classificazione cellulare basata sulla morfologia direttamente a partire da immagini H&E. Le informazioni a livello cellulare così estratte vengono successivamente organizzate in output strutturati, idonei ad analisi quantitative e spaziali. La pipeline proposta consente una caratterizzazione oggettiva della composizione cellulare e dell’organizzazione spaziale del tessuto intestinale, offrendo un’alternativa riproducibile alla valutazione istologica manuale. Concentrandosi su un’analisi scalabile a livello cellulare, questo lavoro mira a supportare una valutazione più precisa dell’infiammazione microscopica e a facilitare l’integrazione dei dati istologici in approcci di valutazione della malattia basati sui dati. Nel complesso, i risultati evidenziano il potenziale dell’istopatologia basata su intelligenza artificiale nel migliorare l’analisi tissutale in ambito IBD e nel contribuire allo sviluppo di metodologie diagnostiche e di ricerca più avanzate.