Lo strumento di visione artificiale migliora la capacità di distinguere l’artrite reumatoide dall’osteoartrite nel tessuto articolare danneggiato
Un nuovo studio condotto dagli investigatori dell’Hospital for Special Surgery (HSS) di New York ha scoperto che il loro strumento di visione artificiale distingue efficacemente l’artrite reumatoide (RA) dall’osteoartrite (OA) nel tessuto articolare prelevato da pazienti sottoposti a sostituzione totale del ginocchio (TKR) . I risultati suggeriscono che il modello di apprendimento automatico aiuterà a migliorare i processi di ricerca a breve termine e ad ottimizzare la cura dei pazienti in futuro. I risultati sono stati presentati oggi al Congresso dell’Alleanza Europea delle Associazioni per la Reumatologia (EULAR) 2022.
TKR è spesso l’unica opzione di gestione per i pazienti con grave danno articolare del ginocchio. Identificare quale malattia ha causato il danno articolare è essenziale per guidare i piani di trattamento, dato che l’AR è una malattia infiammatoria sistemica che può colpire anche gli occhi o il rivestimento intorno al cuore, mentre l’OA colpisce solo le articolazioni. “Sappiamo che ci sono molte più cellule immunitarie presenti nella sinovia, o tessuto articolare, dei pazienti con AR rispetto a quelli con OA”, ha affermato Bella Mehta, MBBS, MS, reumatologo presso HSS e autore principale dello studio. “Ma esattamente quanti altri non è stato chiaro.”
“I patologi in genere valutano le immagini della sinovia per determinare l’entità dell’infiammazione utilizzando una combinazione di approcci, inclusa l’assegnazione del livello di infiltrazione delle cellule immunitarie su una scala da 0 a 4”, ha affermato Dana Orange, MD, MS , reumatologo presso HSS, assistente professore alla Rockefeller University e autore senior dello studio. “Tuttavia, questi metodi sono imperfetti”. Ad esempio, un recente studio condotto da ricercatori dell’HSS ha rilevato che le valutazioni di due patologi di grande esperienza che valutano l’infiltrazione di un tipo di cellule immunitarie note come linfociti sugli stessi vetrini concordano solo nel 67% delle volte. 1
dott. Orange, Mehta e colleghi dell’HSS e delle istituzioni che collaborano hanno sviluppato e convalidato uno strumento di visione artificiale che conta rapidamente decine di migliaia di nuclei cellulari in immagini di sinovia a diapositiva intera. 2 Per il loro presente studio, hanno misurato 14 diverse caratteristiche della sinovia valutate dal patologo da 60 pazienti con AR e 147 pazienti con OA sottoposti a TKR e hanno utilizzato lo strumento di visione artificiale per determinare la densità cellulare.
I ricercatori hanno identificato differenze significative tra le caratteristiche di RA e OA nella sinovia. I campioni RA hanno mostrato una maggiore densità cellulare; basso numero di mastociti, un tipo di globuli bianchi; e una minore evidenza di fibrosi o cicatrici rispetto ai campioni di OA. La probabilità di distinguere correttamente tra AR e OA nella sinovia era dell’85% quando si utilizzavano le 14 caratteristiche valutate dal patologo da sole, l’88% quando si utilizzava il punteggio del computer per la sola densità cellulare e il 91% quando i ricercatori hanno combinato i punteggi dei patologi e la cellula del computer calcolo della densità. I ricercatori hanno determinato un punto di taglio per distinguere l’AR dall’OA, determinando che la sinovia contenente più di 3.400 cellule per mm 2 dovrebbe essere classificata come RA.
“Sebbene la nostra innovazione non sia ancora pronta per l’uso clinico, promette di assistere i patologi in futuro”, ha affermato il dottor Orange. “In questo momento, lo vediamo come uno strumento prezioso per scopi di ricerca perché fornisce un punteggio di infiammazione accurato e riproducibile al 100% e non vediamo l’ora di svilupparlo ulteriormente”.
Il dottor Orange ha aggiunto che in futuro la visione artificiale potrebbe essere addestrata per raccogliere altri tipi di informazioni da campioni di tessuto, inclusi quali tipi di cellule sono presenti e se sono abbastanza vicine tra loro da poter comunicare tra loro. Questa valutazione più dettagliata potrebbe consentire ai medici di sapere con maggiore precisione quali cellule stanno causando danni ai tessuti e adattare i trattamenti di conseguenza.
Autori: Bella Mehta, MBBS, MS , Susan M. Goodman, MD , Edward F. DiCarlo, MD , Deanna Jannat-Khah, J. Alex Gibbons , Miguel Otero, PhD , Laura Donlin, PhD (HSS), Tania Pannellini, MD , PhD (Medicina Weill Cornell), William Robinson, MD, PhD (Università di Stanford), Peter K. Sculco, MD , Mark P. Figgie, MD , Jose A. Rodriguez, MD (HSS), Jessica Kirschmann (Università di Stanford), James Thompson, David Slater, Damon Frezza (The MITRE Corporation), Zhenxing Xu, Fei Wang, PhD (Weill Cornell Medicine), Dana Orange, MD , MS (HSS e Rockefeller University).
Riferimenti
1. Arancio DE, Agius P, DiCarlo EF, et al. Identificazione di tre sottotipi di malattie dell’artrite reumatoide mediante apprendimento automatico dell’integrazione delle caratteristiche istologiche sinoviali e dei dati di sequenziamento dell’RNA. Artrite reumatologica . 2018;70(5):690-701. doi:10.1002/art.40428
2. Guan S, Mehta B, Slater D, et al. Quantificazione dell’infiammazione sinoviale dell’artrite reumatoide utilizzando la visione artificiale. ACR Reumatolo aperto . 2022;4(4):322-331. doi:10.1002/acr2.11381