Spatial complexity analysis of KI67 positive cells in histological images of endocrine neoplasms

The present work of thesis concerned the analysis of histopathological images of lung neuroendocrine tumors (Lung-NETs) and adrenocortical carcinomas (ACCs), two rare neoplasms. The goal was to transform into a clinical resource the issue of intra-tumor heterogeneity of the Ki67, a protein reflecting tumor proliferation, by describing the Ki67 positive cells topological pattern distribution through a broad set of parameters including: point patterns statistics, graph features, Shannon entropy, fractal dimensions. These descriptors have been used to train different learning models aimed at predicting the disease course. High accuracy scores have been achieved by means of KNN classifiers, for Lung-NETs and ACCs: these results are encouraging and confirm the potential of this innovative approach.

Il presente lavoro di tesi ha previsto l’analisi di immagini patologiche provenienti da tumori neuroendocrini del polmone (Lung-NET) e di carcinomi del corticosurrene (ACC), due neoplasmi rari. L’obiettivo è stato quello di trasformare in una risorsa clinica la problematica eterogeneità del Ki67, una proteina che riflette la proliferazione cellulare, descrivendo la distribuzione topologica delle cellule positive al marcatore attraverso un’ampia collezione di parametri, comprendenti: feature di statistica spaziale, parametri derivanti dai grafi, entropia di Shannon, dimensioni frattali. Questi descrittori sono stati usati per allenare diversi modelli di apprendimento, finalizzati alla predizione del decorso della malattia. Valori elevati di accuratezza sono stati ottenuti, attraverso l’impiego di classificatori KNN, sia per i Lung-NET che per gli ACC: questi risultati sono promettenti e confermano le potenzialità di questo approccio innovativo.