Come può un browser trasformare l’analisi delle immagini istologiche?

Immagina di poter osservare una singola cellula al microscopio, ma con la potenza di un computer che ne analizza milioni in pochi secondi. È quello che fa SASHIMI, un nuovo strumento online che usa l’intelligenza artificiale per segmentare i nuclei cellulari nelle diapositive istologiche digitali. Dopo che l’AI ha disegnato i contorni di ogni nucleo, SASHIMI trasforma quei punti in una mappa spaziale, pronta per essere analizzata con 27 statistiche tradizionali, indici areali e misure topologiche. Tra le funzioni più interessanti ci sono il calcolo della densità cellulare, la distanza media tra cellule diverse, gli indici di autocorrelazione e le forme geometriche dei gruppi cellulari. Il team ha testato il tool su due set di dati: lesioni potenzialmente maligne della bocca (OPMD) e carcinoma polmonare non a piccole cellule (NSCLC). In entrambi i casi, alcune caratteristiche spaziali hanno mostrato una forte correlazione con la sopravvivenza dei pazienti, suggerendo che la disposizione delle cellule può raccontare molto sulla gravità del tumore. SASHIMI è gratuito, funziona direttamente dal browser e permette a ricercatori di tutto il mondo di confrontare i risultati in modo rapido e riproducibile, aprendo nuove strade per capire come le cellule si organizzano nei tessuti malati.

SASHIMI si basa su una solida teoria dei point pattern, ovvero insiemi di punti che rappresentano le posizioni dei nuclei cellulari. Tra le statistiche tradizionali, il più noto è il K‑function di Ripley, che misura la densità di punti entro una certa distanza r, confrontandola con un modello di distribuzione casuale (processo di Poisson). Il suo derivato, la funzione di correlazione di coppia g(r), evidenzia scale di aggregazione o repulsione più precise. Quando i nuclei sono marcati (ad esempio, con etichette di tipo immunofenotipico), si applicano statistiche marcate come il mark‑correlation function, che valuta se cellule dello stesso tipo tendono a raggrupparsi. SASHIMI integra anche indici areali, come il Voronoi tessellation, che suddivide lo spazio in celle intorno a ciascun nucleo, fornendo misure di densità locale e forma cellulare. Per la topologia, il software utilizza la Persistent Homology, una tecnica della Topological Data Analysis (TDA) che cattura “buchi” e “cavità” nella distribuzione cellulare a diverse scale, rappresentandoli in diagrammi di persistenza. Questi diagrammi permettono di quantificare la complessità strutturale del tessuto tumorale. Dal punto di vista implementativo, SASHIMI è costruito con WebAssembly per eseguire calcoli intensivi direttamente nel browser, evitando la necessità di server dedicati. I dati di input (coordinate x, y e marcatori) sono caricati in formato CSV o JSON, e i risultati sono visualizzati con D3.js, consentendo interazioni in tempo reale: zoom, selezione di regioni e overlay di heatmap. La riproducibilità è garantita da un ambiente di calcolo deterministico e da script di esportazione dei risultati in formati standard (CSV, GeoJSON). Inoltre, SASHIMI supporta l’integrazione con pipeline di deep learning basate su TensorFlow.js, così da poter aggiornare i modelli di segmentazione senza uscire dal browser. Questo approccio “all‑in‑one” rende lo strumento accessibile a laboratori con risorse limitate, promuovendo analisi spaziali avanzate su larga scala e favorendo la scoperta di biomarcatori spaziali legati alla prognosi oncologica.