Trascrittomica spaziale e meccanismi di attenzione nel deep learning su immagini H&E per l'identificazione di un profilo immunitario nella prognosi del cancro ovarico

Il cancro ovarico in stadio avanzato rappresenta la neoplasia ginecologica con il più elevato tasso di mortalità. Pertanto, l’identificazione di strumenti prognostici affidabili potrebbe contribuire in maniera significativa al miglioramento della gestione clinica della malattia. Nonostante l’importanza di tale obiettivo, le strategie attualmente disponibili per predire il decorso della malattia rimangono limitate. In questo contesto gli autori propongono un approccio basato sul meccanismo di attenzione nel deep learning, applicato all’analisi di immagini istologiche di campioni tumorali colorati con ematossilina ed eosina (H&E). La rete neurale viene addestrata su tali immagini e i risultati ottenuti sono successivamente integrati e interpretati mediante dati di trascrittomica spaziale. I campioni analizzati appartengono a pazienti con cancro ovarico in stadio III e IV. Attraverso il meccanismo di attenzione è stato assegnato, a ciascun campione, un punteggio correlato alla probabilità di sopravvivenza del paziente. Tali valori sono stati confrontati con i profili immunitari ricavati dalla trascrittomica spaziale. L’analisi comparativa evidenzia un’associazione significativa tra i punteggi predittivi di sopravvivenza e specifici profili immunitari presenti nei tessuti tumorali. Questo suggerisce che il meccanismo di attenzione può rappresentare uno strumento utile per l’identificazione di regioni tissutali caratterizzate da particolari attività immunitarie.