Patologia digitale

Team composition

Team Leader: Dott.ssa Raffaella Massafra
Team members:Dott.ssa Annarita Fanizzi, ricercatore senior, Dott. Vittorio Didonna, dirigente fisico medico, Dott. Pasquale Tamborra, dirigente fisico medico, Dott. Maria Colomba Comes, ricercatore matematico borsista, Dott.ssa Samantha Bove, ricercatore matematico borsista, Dott.ssa Nicole Petruzzellis, data manager farmacista borsista, Dott. Alessio De Bartolo, amministrativo borsista, Dott.ssa Domenica Bavaro, ricercatore statistico borsista, Dott.ssa Erika Di Benedetto, data manager farmacista borsista, Dott.ssa Rahel Signorile, ricercatore chimico borsista, Dott.ssa Martina Milella, ricercatore farmacista borsista, Dott. Federico Fadda, ricercatore fisico borsista   

Work Programme

L'uso dell'intelligenza artificiale (AI) ha dominato il campo dell'analisi delle immagini mediche, compresa la patologia digitale e la radiomica, per rispondere alle principali esigenze cliniche non soddisfatte. Nello specifico, la patologia digitale è emersa con la digitalizzazione dei campioni di tessuto dei pazienti e in particolare con l'utilizzo di immagini digitali intere diapositive (WSI). Un'applicazione di successo del deep learning ai WSI ha il potenziale per fornire nuove intuizioni su varie patologie. La richiesta di modelli di IA per identificare firme di imaging digitale, che combinate con variabili cliniche e firma radiomica, sono in grado di fornire previsioni accurate per il diverso compito clinico in diverse patologie oncologiche, come cancro al seno, melanoma, polmone e testa e collo. Il programma di ricerca copre principalmente le seguenti linee di ricerca:

  • risposta al trattamento
  • previsione di recidiva o progressione della malattia
  • predizione dello stato dei linfonodi

Team networks: Alleanza Contro Cancro (ACC), Associazione Italiana di Fisica Medica, Istituto Nazionale di Fisica Nucleare (INFN), Dipartimento Interateneo di Fisica, Università degli Studi di Bari, Dipartimento di Diagnostica per Immagini, Ospedale Universitario di Siena, Azienda Ospedaliera Universitaria Senese, Siena, Università degli Studi della Campania Luigi Vanvitelli, Dipartimento Medicina di Precisione, Napoli, Radiodiagnostica ad indirizzo senologico, Policlinico Bari, Radiologia e Senologia presso P.O. San Paolo, Bari, Radiology and Biomedical Imaging Department, University of California, San Francisco.                        

Key funding:

  • Health Big Data, finanziato dal Ministero della Salute, che coinvolge le Reti IRCCS e il Politecnico di Milano, finalizzato alla creazione di una piattaforma tecnologica che consenta la raccolta, condivisione ed analisi di dati clinici e scientifici dei pazienti.
  • Progetto di Rete 2018, finanziato dal Ministero della Salute nell’ambito della Ricerca Finalizzata 2018, cofinanziato dalla Regione Puglia, coinvolge oltre l’Istituto Superiore di Santità e altri 7 istituti di cura nazionali, finalizzato alla sperimentazione dell'uso integrato della metodologia HTA con tecniche di machine learning per lo sviluppo di sistemi automatizzati di supporto alle decisioni dei medici nella definizione di percorsi di trattamento personalizzati.
  • Alleanza Contro Cancro (ACC), WG Radiomics
  • Ricerca Corrente 2016-2018, 2018-2021, 2022-2024

Key pubblication:

  • Bove, S., Comes, M. C., Lorusso, V., Cristofaro, C., Didonna, V., Gatta, G., ... & Massafra, R. (2022). An ultrasound-based radiomic approach to predict the nodal status in clinically negative breast cancer patients. Scientific Reports, 12(1), 1-10.
  • Massafra, R., Comes, M. C., Bove, S., Didonna, V., Gatta, G., Giotta, F., ... & Paradiso, A. V. (2022). Robustness Evaluation of a Deep Learning Model on Sagittal and Axial Breast DCE-MRIs to Predict Pathological Complete Response to Neoadjuvant Chemotherapy. Journal of personalized medicine, 12(6), 953
  • Massafra, R., Catino, A., Perrotti, P. M. S., Pizzutilo, P., Fanizzi, A., Montrone, M., & Galetta, D. (2022). Informative Power Evaluation of Clinical Parameters to Predict Initial Therapeutic Response in Patients with Advanced Pleural Mesothelioma: A Machine Learning Approach. Journal of Clinical Medicine, 11(6), 1659
  • Comes, M. C., Fanizzi, A., Bove, S., Didonna, V., Diotaiuti, S., La Forgia, D., ... & Massafra, R. (2021). Early prediction of neoadjuvant chemotherapy response by exploiting a transfer learning approach on breast DCE-MRIs. Scientific Reports, 11(1), 1-12.
  • Comes, M. C., La Forgia, D., Didonna, V., Fanizzi, A., Giotta, F., Latorre, A., ... & Massafra, R. (2021). Early prediction of breast cancer recurrence for patients treated with neoadjuvant chemotherapy: a transfer learning approach on DCE-MRIs. Cancers, 13(10), 2298.
  • Massafra, R., Bove, S., Fanizzi, A., Lorusso, V., Biafora, A., Comes, M. C., Didonna, V., ... & La Forgia, D. (2021). Radiomic feature reduction approach to predict breast cancer by contrast-enhanced spectral mammography images. Diagnostics, 11(4), 684.
  • Massafra, R., Latorre, A., Fanizzi, A., Bellotti, R., Didonna, V., Giotta, F., ... & Lorusso, V. (2021). A clinical decision support system for predicting invasive breast cancer recurrence: preliminary results. Frontiers in Oncology, 11, 576007.
  • Massafra, R., Bove, S., La Forgia, D., Comes, M. C., Didonna, V., Gatta, G., ... & Lorusso, V. (2022). An Invasive Disease Event-Free Survival Analysis to Investigate Ki67 Role with Respect to Breast Cancer Patients’ Age: A Retrospective Cohort Study. Cancers, 14(9), 2215.
  • Fanizzi, A., Pomarico, D., Paradiso, A., Bove, S., Diotaiuti, S., Didonna, V., ... & Massafra, R. (2021). Predicting of sentinel lymph node status in breast cancer patients with clinically negative nodes: A validation study. Cancers, 13(2), 352.
  • Fanizzi, A., Basile, T., Losurdo, L., Bellotti, R., Bottigli, U., Dentamaro, R., ... & La Forgia, D. (2020). A machine learning approach on multiscale texture analysis for breast microcalcification diagnosis. BMC bioinformatics, 21(2), 1-11.

Documents

» Digital+pathology
Download