Atlante morfologico a singola cellula abilitato da deep learning da tamponi nasali distingue l’infiammazione cronica dalla malignità sinonasale

Lo studio rappresenta un significativo avanzamento nella diagnostica non invasiva delle malignità sinonasali, affrontando una sfida clinica rilevante: la difficoltà nel distinguere precocemente il carcinoma sinonasale dalle condizioni infiammatorie croniche come la rinosinusite cronica. La metodologia impiega la piattaforma REM-I (Rapid Enumeration and Morphologic Image analysis), una tecnologia che combina microscopia a campo chiaro ad alta risoluzione con algoritmi di apprendimento profondo per caratterizzare le proprietà morfologiche delle cellule immunitarie singole. Il disegno sperimentale è particolarmente robusto: la costruzione di un atlante di riferimento da 641.000 cellule immunitarie fornisce un database di controllo ben caratterizzato, permettendo successivamente il confronto quantitativo con le 2,5 milioni di immagini provenienti dai tre gruppi clinici. Questo approccio bottom-up basato su dati è superiore ai metodi tradizionali di identificazione cellulare poiché non si affida solo a marcatori di superficie ma sfrutta le caratteristiche intrinseche della morfologia cellulare. I risultati numerici principali indicano alterazioni significative nella composizione immune nel carcinoma sinonasale: l'aumento di cellule ricche di mieloidi riflette il classico rimodellamento del microambiente tumorale verso una immunosoppressione relativa, mentre l'elevata intensità di pixel scuri suggerisce attività granulocitaria aumentata, potenzialmente riflettendo sia neutrofili associati al tumore che una risposta infiammatoria locale. L'identificazione di cluster specificamente associati a tumori all'interno di popolazioni basofili/NK e cluster epiteliali è particolarmente rilevante, indicando che le cellule infiltranti il tumore mostrano morfologie distintive differenziabili dal deep learning. Nel contesto clinico più ampio, le malignità sinonasali (principalmente carcinomi squamocellulari) hanno prognosi variabile ma spesso sfavorevole se diagnosticate tardivamente, principalmente perché i sintomi iniziali (ostruzione nasale, epistassi, sinusite ricorrente) si sovrappongono significativamente con CRS, una delle patologie otorino più comuni. La diagnosi tradizionale richiede endoscopia nasale, imaging avanzato (TC/RMN) e biopsia istologica, procedure costose, invasive e non praticabili per screening di massa. Un test point-of-care basato su tamponi nasali affronterebbe direttamente questi vincoli. Rispetto alla letteratura esistente, questo lavoro si distingue per l'integrazione sofisticata di volume dati massivo con machine learning, superando i tradizionali approcci citometrici a flusso o istopatologici che richiedono marcatori predefiniti. Il contesto più ampio della ricerca sottolinea come il deep learning morfologico stia emergendo come paradigma diagnostico in oncologia, con applicazioni parallele in citologia oncologica e neuropatologia.