Studio della correlazione fra la percentuale di cellule neoplastiche mutate in EGFR e la risposta a farmaci TKI nell'adenocarcinoma polmonare

Il gene EGFR e' un marcatore molecolare fondamentale per determinare la sensibilita' o meno ai farmaci inibitori delle tirosin-chinasi (TKI) in pazienti affetti da adenocarcinoma polmonare. Lo scopo del lavoro e' di determinare se la percentuale di cellule neoplastiche mutate in EGFR correli con la risposta ai farmaci TKI. Sono stati analizzati 18 casi; di ogni caso e' stato analizzato il gene EGFR (esoni 18, 19, 20 e 21) mediante Next Generation Sequencing (NGS). La quantita' di cellule neoplastiche presenti nell'area analizzata e' stata valutata da un patologo, su un vetrino colorato con Ematossilina-Eosina, e tale quantita' e' stata normalizzata alla percentuale di alleli mutati rilevata mediante NGS. E' stata rilevata una correlazione fra la percentuale di cellule neoplastiche mutate in EGFR e la risposta ai TKI, ed e' stato osservato che pazienti con una percentuale di cellule neoplastiche mutate al di sopra del 56% presentano una migliore "overall survival" rispetto ai pazienti con una percentuale inferiore. I dati suggeriscono che, oltre al valore predittivo, la definizione della percentuale di cellule neoplastiche mutate in EGFR potrebbe avere un valore prognostico.

Automatic detection of the inferior alveolar nerve in CT scans with CenterNet

The inferior alveolar nerve (IAN) lies within the mandibular canal, named inferior alveolar canal in literature. The detection of this nerve is important during maxillofacial surgeries or for creating dental implants. The poor quality of cone-beam computed tomography (CBCT) and computed tomography (CT) scans and/or bone gaps within the mandible increase the difficulty of this task, posing a challenge to human experts who are going to manually detect it and resulting in a time-consuming task.Therefore this thesis investigates two methods to automatically detect the IAN: a non-data driven technique and a deep-learning method. The latter tracks the IAN position at each frame leveraging detections obtained with the deep neural network CenterNet, fined-tuned for our task, and temporal and spatial information.