Il modello di diagnosi differenziale dei sarcomi uterini si basa su un classificatore di apprendimento automatico, addestrato e testato per l'attività di classificazione binaria: maligna vs benigna, in base ai risultati dell'istopatologia collezionati su un dataset di pazienti.
Titolo brevetto | METHOD FOR CLASSIFYNG A LESION AS A UTERINE LEIOMYOMA OR AS A UTERINE LEIOMYOSARCOMA |
---|---|
Area | Salute |
Titolarità | Azienda Ospedaliera- Universitaria di Bologna Policlino S. Orsola- Malpighi, ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA |
Inventori | Miriam Santoro, LIDIA STRIGARI, GIULIA PAOLANI, Pierandrea De Iaco, Anna Myriam Perrone, Camelia Alexandra Coada |
Ambito territoriale di tutela | Italia, con possibilità di estensione internazionale |
Stato | Disponibile per accordi di sviluppo, opzione, licenza e altri accordi di valorizzazione |
Keywords | machine learning, sarcoma uterino, mioma uterino, diagnosi differenziale, tomografia computerizzata, strumento predittivo, strumento prognostico. |
Depositato il | 27 giugno 2023 |
Il grosso problema che incontriamo è la difficoltà di fare una diagnosi accurata e veloce per le pazienti con SU e scegliere l’approccio chirurgico giusto non solo per la prognosi della paziente ma anche per la preservazione dell’utero nelle donne giovani che hanno il desiderio di una futura gravidanza. Attualmente la diagnosi di SU è quasi sempre definita in ambito post-operatorio con l'esame istologico definitivo, a causa della mancanza di caratteristiche inequivocabili sonografiche e radiologiche in grado di differenziarlo dai MU.
Il modello si basa su un classificatore di apprendimento automatico, addestrato e testato per l'attività di classificazione binaria maligna vs benigna, in base ai risultati dell'istopatologia collezionati su un dataset di pazienti. Il modello si basa su 1409 caratteristiche quantitative estratte da immagini di tomografia computerizzata utilizzate per l'addestramento supervisionato ed il test del modello. Il “gold standard” utilizzato è il risultato istopatologico. Il modello è stato addestrato e testato un approccio di convalida incrociata per 10 volte, utilizzando questa strategia come tecnica per l’aumento del numero di dati disponibili e del valore predittivo su nuovi gruppi di dati.
- Diagnosi differenziale tra SU e MU sulla base delle immagini TC
- Standardizzazione della diagnosi
- Diagnosi prima dell’intervento chirurgico
- Personalizzazione dell’approccio terapeutico.