ANALISI DI IMMAGINI ISTOPATOLOGICHE DEL TUMORE GASTRICO TRAMITE FOUNDATION MODELS E ARCHITETTURE DI MULTIPLE INSTANCE LEARNING

L’analisi automatizzata di immagini istopatologiche rappresenta un ambito di crescente interesse nella ricerca oncologica computazionale. Negli ultimi anni sono stati introdotti i foundation models, specificamente progettati per l’istopatologia, in grado di apprendere rappresentazioni visive generalizzabili da grandi collezioni di immagini istopatologiche. Questa tesi si propone di effettuare un benchmark sistematico di due foundation models pensati per la digital pathology, UNI2 e Virchow2, valutandone le prestazioni nell’analisi di tumori gastrici. L’analisi è stata condotta su dataset provenienti da The Cancer Genome Atlas (TCGA), includendo campioni relativi al progetto STAD (Stomach Adenocarcinoma). I modelli sono stati confrontati in termini di qualità delle rappresentazioni estratte e performance in task di classificazione e predizione di caratteristiche istologiche, geniche e trascrittomiche. Le rappresentazioni prodotte dai foundation models verranno aggregate a livello di vetrino mediante differenti architetture di Multiple Instance Learning, per ottenere una rappresentazione globale del campione. Nell’ambito della valutazione della predizione del modello, è stato condotto uno studio sulla possibile influenza degli artefatti nelle predizioni.