Name: Introduzione di un sistema integrato di gestione delle immagini di patologia, intelligenza artificiale e reportistica (Video) | JoVE Journal
Uploaded: 2025-07-11T15:40:00.000+00:00
Duration: 5 min 33 s
Description: Scopri FlexLIS, una piattaforma che integra intelligenza artificiale con sistemi di gestione immagini patologiche. Questo metodo computazionale migliora l'accuratezza diagnostica e ottimizza i flussi di lavoro in patologia digitale.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Zhang, D. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Implementation+of+digital+pathology+and+artificial+intelligence+in+routine+pathology+practice%5BTitle%5D)+AND+%22Lab+Invest%22%5BJournal%5D)">Implementation of digital pathology and artificial intelligence in routine pathology practice.</a> Lab Invest. 104 (9), 102111(2024).</li>
<li>Zhu, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+intelligence+in+pathologic+diagnosis%2C+prognosis+and+prediction+of+prostate+cancer%5BTitle%5D)+AND+%22Am+J+Clin+Exp+Urol%22%5BJournal%5D)">Artificial intelligence in pathologic diagnosis, prognosis and prediction of prostate cancer.</a> Am J Clin Exp Urol. 12 (4), 200-215 (2024).</li>
<li>Park, S. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Anatomic+pathology+laboratory+information+systems%3A+a+review%5BTitle%5D)+AND+%22Adv+Anat+Pathol%22%5BJournal%5D)">Anatomic pathology laboratory information systems: a review.</a> Adv Anat Pathol. 19 (2), 81-96 (2012).</li>
<li>Epstein, J. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+2019+genitourinary+pathology+society+%28gups%29+white+paper+on+contemporary+grading+of+prostate+cancer%5BTitle%5D)+AND+%22Arch+Pathol+Lab+Med%22%5BJournal%5D)">The 2019 genitourinary pathology society (gups) white paper on contemporary grading of prostate cancer.</a> Arch Pathol Lab Med. 145 (4), 461-493 (2021).</li>
<li>Moses, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NCCN+guidelines+insights%3A+Prostate+cancer+early+detection%2C+version+1.2023%5BTitle%5D)+AND+%22J+Natl+Compr+Canc+Netw%22%5BJournal%5D)">NCCN guidelines insights: Prostate cancer early detection, version 1.2023.</a> J Natl Compr Canc Netw. 21 (3), 236-246 (2023).</li>
<li>Bryant, R. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Local+anaesthetic+transperineal+biopsy+versus+transrectal+prostate+biopsy+in+prostate+cancer+detection+%28TRANSLATE%29%3A+a+multicentre%2C+randomised%2C+controlled+trial%5BTitle%5D)+AND+%22Lancet+Oncol%22%5BJournal%5D)">Local anaesthetic transperineal biopsy versus transrectal prostate biopsy in prostate cancer detection (TRANSLATE): a multicentre, randomised, controlled trial.</a> Lancet Oncol. 21, (2025).</li>
<li>Flaig, T. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NCCN+guidelines+insights%3A+Bladder+cancer%2C+version+3.2024%5BTitle%5D)+AND+%22J+Natl+Compr+Canc+Netw%22%5BJournal%5D)">NCCN guidelines insights: Bladder cancer, version 3.2024.</a> J Natl Compr Canc Netw. 22 (4), 216-225 (2024).</li>
<li>Barkan, G. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Paris+system+for+reporting+urinary+cytology%3A+The+quest+to+develop+a+standardized+terminology%5BTitle%5D)+AND+%22J+Am+Soc+Cytopathol%22%5BJournal%5D)">The Paris system for reporting urinary cytology: The quest to develop a standardized terminology.</a> J Am Soc Cytopathol. 5 (3), 177-188 (2016).</li>
<li>Sepulveda, J. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ideal+laboratory+information+system%5BTitle%5D)+AND+%22Arch+Pathol+Lab+Med%22%5BJournal%5D)">The ideal laboratory information system.</a> Arch Pathol Lab Med. 137 (8), 1129-1140 (2013).</li>
<li>Fu, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Design+and+Implementation+of+Clinical+LIS360+Laboratory+Management+System+Based+on+AI+Technology%5BTitle%5D)+AND+%22Int+J+Comput+Intelligence+Syst%22%5BJournal%5D)">Design and Implementation of Clinical LIS360 Laboratory Management System Based on AI Technology.</a> Int J Comput Intelligence Syst. 16, 33(2023).</li>
<li>Zhu, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+Intelligence-Assisted+Histopathology+As+A+Training+Tool+For+Residents%5BTitle%5D)+AND+%22Lab+Invest%22%5BJournal%5D)">Artificial Intelligence-Assisted Histopathology As A Training Tool For Residents.</a> Lab Invest. 105 (3), 102736(2025).</li>
</ol>

<table><tbody><tr><td>FlexLIS</td><td>Novino AI</td><td></td><td></td></tr></tbody></table>

introduzione di un sistema integrato di gestione delle immagini di patologia, intelligenza artificiale e reportistica

Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System

In questa sezione, vengono presentati due casi d'uso per dimostrare come l'intelligenza artificiale può assistere i patologi nella valutazione delle immagini e nella fornitura di input diagnostici.
Diagnosi del cancro alla prostata (Figura 7): valutazione istopatologica della biopsia prostatica con cancro, inclusa la lunghezza e la percentuale del tumore, i punteggi di Gleason (3, 4 e 5), la percentuale di Gleason 4 e 5, ecc. Queste informazioni vengono quindi utilizzate per classificare i pazienti in gruppi di 4 gradi (da 1 a 4), dove 4 è il cancro alla prostata più aggressivo 4,5. Queste informazioni devono essere incluse nel referto patologico; pertanto, è un esempio perfetto per illustrare la diagnosi patologica assistita dall'intelligenza artificiale.
In questo esempio, i vetrini con biopsia prostatica sono stati inizialmente colorati con la procedura ematossilina-eosina (H&amp;E). Il vetrino colorato è stato quindi digitalizzato per generare un'intera immagine del vetrino (WSI), che è stata caricata nel sistema tramite un'interfaccia diretta tra il computer dello scanner e il software (Figura 7). Una volta caricato, un modello basato sull'intelligenza artificiale elabora l'etichetta, identifica e tagga ogni entità, inclusa la fonte del campione (ad esempio, la prostata) e il tipo di colorazione (ad esempio, H&amp;E). Questo modello determina se l'immagine è una biopsia prostatica colorata con H&amp;E. In caso affermativo, un altro modello basato sull'intelligenza artificiale analizza l'immagine e genera feedback o output in base all'analisi (Figura 7A). Questo modello basato sull'intelligenza artificiale è anche in grado di preordinare colorazioni immunoistochimiche PIN4 per aiutare i patologi a confermare la presenza di piccole aree tumorali (Figura 3).
Questo modello è stato addestrato su oltre 1700 immagini di vetrini interi della prostata (WSI) che sono state annotate al pixel da un team di patologi esperti. Dopo l'annotazione dei WSI, viene applicato un modello di deep learning per classificare le tessere di tessuto prostatico in quattro categorie: Benign, Gleason3, Gleason4 e Gleason5. Come illustrato nella Figura 5, gli output basati su tessere vengono aggregati per creare una maschera di vetrino intero che evidenzia le regioni cancerose: Cancro (rosso), Gleason4 (verde) e Gleason5 (blu; Figura 6). Oltre a queste maschere, il modello di intelligenza artificiale ha generato un'etichetta finale (Cancro o benigna) per il WSI della prostata. Questa classificazione si basa su caratteristiche morfologiche come le aree di Gleason3, Gleason4 e Gleason5, la certezza delle maschere di Gleason3, Gleason4 e Gleason5 e altri fattori. Le prestazioni del nostro attuale modello prostatico per la rilevazione del cancro alla prostata sono state confermate utilizzando un set indipendente di 1.000 WSI che non sono stati utilizzati durante lo sviluppo o la convalida del modello. Ogni vetrino nel set di convalida è etichettato come benigno o canceroso. Il modello sottoposto a training assegna anche un'etichetta a ogni diapositiva come descritto. Confrontando le etichette di verità sul campo con le previsioni del modello, sono state calcolate metriche di prestazione come accuratezza, sensibilità, specificità e punteggio F1, come presentato nella Tabella 1. I risultati indicano che il modello addestrato si comporta in modo paragonabile ad altri modelli di intelligenza artificiale della prostata6.
Oltre ai punteggi di Gleason, il modello di intelligenza artificiale è in grado di determinare la lunghezza e la percentuale del tumore e il gruppo di grado (Figura 7). Inoltre, il modello di intelligenza artificiale è anche in grado di calcolare la patologia basata sul gruppo di rischio NCCN e le informazioni cliniche, se fornite (Figura 7A). In FlexLIS, l'intelligenza artificiale è in grado di trascrivere tutte le informazioni diagnostiche nel referto patologico, in modo che i patologi non debbano inserirle manualmente nel referto (Figura 7B). Sebbene l'intero processo di IA sia completato in background e non sia visibile ai patologi, i risultati dell'analisi dell'IA e la stessa immagine sono visibili ai patologi che possono decidere di mantenere o modificare i risultati dell'IA nel referto patologico (Figura 7B).
Citologia delle urine per lo screening del cancro della vescica: la citologia delle urine è il principale metodo non invasivo per lo screening, la diagnosi e il monitoraggio del cancro della vescica7. La citologia delle urine classifica i pazienti in quattro categorie: negativi per carcinoma uroteliale di alto grado, cellule uroteliali atipiche, sospetto per carcinoma uroteliale di alto grado e carcinoma uroteliale di alto grado8. La revisione della citologia delle urine richiede esperienza e abilità ed è molto dispendiosa in termini di tempo. Pertanto, lo screening citologico delle urine assistito dall'intelligenza artificiale è molto richiesto. Questo caso presenta una valutazione a singola cellula da parte dell'intelligenza artificiale.
L'esame dei vetrini citologici delle urine può essere un processo laborioso e dispendioso in termini di tempo per i patologi. Richiede una scansione meticolosa di ampi campi e lo zoom avanti e indietro frequentemente per individuare cellule rare e diagnosticamente significative, spesso simili alla ricerca di un ago in un pagliaio. Questo approccio manuale non solo richiede molto tempo e concentrazione, ma contribuisce anche all'affaticamento diagnostico e alla potenziale variabilità nelle interpretazioni. Per semplificare questo processo, è stato sviluppato il modello di citologia delle urine basato sull'intelligenza artificiale integrato in FlexLIS per supportare i patologi rilevando e classificando automaticamente un'ampia gamma di tipi di cellule nei campioni di urina. Il modello è in grado di identificare le seguenti categorie: HGUC (cellule di carcinoma uroteliale di alto grado), sospette (cellule uroteliali con marcate anomalie suggestive di malignità ma non definitivamente diagnostiche), cellule uroteliali atipiche, globuli rossi (globuli rossi), cristalli, linfociti, cellule polimorfe, virus del polioma, cellule tubulari renali, spermatozoi, cellule squamose, cellule uroteliali normali, lieviti e altri. Per migliorare ulteriormente l'usabilità, le categorie diagnosticamente significative - HGUC, cellule uroteliali atipiche e sospette - vengono evidenziate utilizzando colori distinti (Figura 8), consentendo ai patologi di concentrarsi rapidamente sulle aree di interesse senza la necessità di una scansione manuale esaustiva.
Inoltre, il modello di intelligenza artificiale quantifica il numero di celle in ciascuna categoria rilevata e integra perfettamente questi dati nell'output (Figura 8). Questi risultati vengono trascritti automaticamente nel referto patologico, consentendo al patologo di concentrarsi esclusivamente sulla revisione, la verifica e la finalizzazione del caso. Ciò migliora notevolmente l'efficienza diagnostica, riduce il carico di lavoro manuale e promuove la coerenza e l'accuratezza tra i report.
Per addestrare il modello di intelligenza artificiale, 500 regioni sono state selezionate in modo casuale da 150 immagini di vetrini interi di campioni citologici delle urine. Esperti citopatologi hanno annotato manualmente le cellule all'interno di queste regioni in 14 categorie predefinite, come descritto in precedenza, ottenendo oltre 30.000 cellule annotate. L'80% delle diapositive è stato utilizzato per la formazione, mentre il restante 20% è stato riservato alla convalida. Un modello di rilevamento degli oggetti è stato quindi addestrato e valutato per identificare e classificare con precisione le cellule nelle categorie definite.
Oltre ai modelli di citologia della prostata e delle urine, nel software è disponibile anche il modello AI di gastroenterologia. Altri modelli, tra cui il cancro della vescica e il cancro del polmone, sono in fase di sviluppo.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68270/68270fig1.jpg"> 
Figura 1: Flusso di lavoro della patologia. (A) Flusso di lavoro patologico tradizionale. (B) Flusso di lavoro di patologia digitale. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig1large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68270/68270fig2.jpg"> 
Figura 2: Finestra di accesso. Inserisci l'e-mail nella casella e-mail. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig2large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68270/68270fig3.jpg"> 
Figura 3: Finestra Elenco di accesso. (A) La barra laterale sinistra indica diverse opzioni utente. (B) Filtro di accesso per cercare e ordinare i casi. (C) Elenco di adesione con le informazioni di ciascun caso, incluso il numero di accesso, il nome del paziente, lo stato del caso, il numero e la qualità delle immagini, ecc. In questo caso, all'utente sono stati assegnati 4 casi. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig3large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68270/68270fig4.jpg"> 
Figura 4: Finestra di revisione del patologo. (A) Informazioni sul caso, incluso lo stato del caso. (B) La tabella riassuntiva dei campioni fornisce un riepilogo di ciascun campione, inclusi sito, diagnosi e commenti. (C) Le informazioni sul campione forniscono ulteriori informazioni sul campione. (D) Pannello di controllo della custodia per la navigazione della custodia. Il diagramma a destra indica i siti della biopsia prostatica e i risultati dell'intelligenza artificiale (rosso-cancro, arancione-ASAP e nero-benigno). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig4large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68270/68270fig5.jpg"> 
Figura 5: Finestra Revisione immagine. (A) La libreria di immagini (barra laterale sinistra) elenca tutti i campioni in ordine alfabetico con informazioni sul tipo e sullo stato della macchia. (B) Barra degli strumenti (in alto) per spostare, annotare e condividere le immagini. (C) Informazioni sul caso/AI (barra laterale destra) per formulare commenti, comunicare con il personale e visualizzare feedback/output dell'AI. Questo caso è una biopsia prostatica con cancro alla prostata mascherato dall'IA (rosso-cancro e verde-Gleason 4). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig5large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68270/68270fig6.jpg"> 
Figura 6: Output AI. (A) Immagine istologica. (B) Feedback AI, ovvero valutazione AI dell'immagine, inclusa la lunghezza del tumore, il punteggio di Gleason, il gruppo di grado, ecc. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig6large.jpg" target="_blank">Fare clic qui per visualizzare una versione più ampia di questa figura.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68270/68270fig7.jpg"> 
Figura 7: Il modello di intelligenza artificiale della prostata valuta automaticamente l'immagine della biopsia prostatica e assiste nella generazione di referti patologici. (A) Dopo l'analisi delle immagini in IMS. (B) L'intelligenza artificiale invia i risultati al referto patologico. <a href="https://www.jove.com/files/ftp_upload/68270/68270fig7large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/68270/68270fig8.jpg"> 
Figura 8: Valutazione AI del vetrino citologico delle urine. Le cellule uroteliali anormali sono state evidenziate in rosso (cellule tumorali uroteliali di alto grado) e rosa (cellule sospette). I risultati dell'intelligenza artificiale vengono visualizzati nell'inserto (angolo in alto a destra). <a href="https://www.jove.com/files/ftp_upload/68270/68270fig8large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Accuratezza</td>
			<td>Precisione</td>
			<td>Sensibilità</td>
			<td>Specificità</td>
			<td>Punteggio F1</td>
		</tr>
		<tr>
			<td>97%</td>
			<td>96%</td>
			<td>98%</td>
			<td>96%</td>
			<td>97%</td>
		</tr>
	</tbody>
</table>
Tabella 1: Prestazioni del modello di intelligenza artificiale della prostata per il rilevamento dell'adenocarcinoma nelle biopsie prostatiche.

Introduzione di un sistema integrato di gestione delle immagini di patologia, intelligenza artificiale e reportistica

The development of electronic reporting systems (LIS), image management systems (IMS), and AI models has revolutionized pathology practices. By ...

introduction-an-integrated-pathology-image-management-artificial

Research

Ricerca

JoVE Journal

Medicine

Medicina

Descriviamo i passi per usare il nostro software progettato su misura per l'integrazione di immagini, la visualizzazione e la pianificazione in chirurgia dell'epilessia.

Una pipeline per il 3D multimodalità integrazione di immagini e progettazione assistita da computer in chirurgia dell&#39;epilessia

Questo protocollo descrive un flusso di lavoro ad alto rendimento per la segmentazione guidata dall'intelligenza artificiale delle regioni di interesse confermate dalla patologia da immagini di sezioni di tessuto sottile macchiate per l'arricchimento di popolazioni cellulari risolte in istologia utilizzando la microdissezione laser. Questa strategia include un nuovo algoritmo che consente il trasferimento di demarcazioni che denotano popolazioni cellulari di interesse direttamente ai microscopi...

Microdissezione laser industrializzata guidata dall'intelligenza artificiale per l'analisi proteomica microscalata del microambiente tumorale

Il test del micronucleo (MN) è un test ben consolidato per quantificare il danno al DNA. Tuttavia, la valutazione del test utilizzando tecniche convenzionali come la microscopia manuale o l'analisi delle immagini basata sulle caratteristiche è laboriosa e impegnativa. Questo articolo descrive la metodologia per sviluppare un modello di intelligenza artificiale per valutare il test MN utilizzando i dati di citometria a flusso di imaging.

Automazione del test del micronucleo mediante citometria a flusso di imaging e intelligenza artificiale

L'imaging a fascio ionico multiplexato (MIBI) viene spesso utilizzato per l'imaging di microarray di tessuti e aree di tessuto contigue e piastrellate, ma l'attuale software per l'impostazione di questi esperimenti è ingombrante. L'interfaccia tile/SED/array è uno strumento grafico intuitivo e interattivo sviluppato per semplificare e accelerare notevolmente l'impostazione dell'esecuzione MIBI.

Configurazione rapida dell'imaging di microarray tissutali e aree piastrellate sul microscopio multiplexed Ion Beam Imaging utilizzando l'interfaccia Tile/SED/Array 

È stato presentato un processo di registrazione di scansioni di tomografia computerizzata a fascio conico e immagini dentali digitali utilizzando l'identificazione assistita dall'intelligenza artificiale (AI) dei punti di riferimento e della fusione. Un confronto con la registrazione basata sulla superficie mostra che la digitalizzazione e l'integrazione basate sull'intelligenza artificiale sono affidabili e riproducibili.

Affidabilità della tomografia computerizzata a fascio conico basata sull'intelligenza artificiale Integrazione con immagini dentali digitali

La presenza di mastociti nel margine interno e nelle aree peritumorali del carcinoma epatocellulare dopo la resezione conferisce una prognosi favorevole. Questo studio sostiene che il software di analisi delle immagini QuPath è una piattaforma promettente che potrebbe soddisfare le esigenze di riproducibilità, coerenza e accuratezza nella patologia digitale.

I mastociti nel microambiente del carcinoma epatocellulare conferiscono una prognosi favorevole: uno studio retrospettivo utilizzando il software di analisi delle immagini QuPath 

Qui, presentiamo un protocollo standardizzato per rilevare il cancro alla prostata utilizzando l'istologia Raman stimolata (SRH) su campioni bioptici grazie ai vantaggi rispetto all'istopatologia tradizionale, concentrandosi sulla preparazione del campione, sull'imaging e sull'intelligenza artificiale per migliorare il rapporto cancro-tessuto. Inoltre, supporta la biobanca per la trascrittomica, i modelli di organoidi o xenotrapianti e l'identificazione dei margini chirurgici intraoperatori.

Rilevamento e isolamento del cancro nelle biopsie prostatiche utilizzando l'istologia Raman stimolata e l'intelligenza artificiale

Questo manoscritto mostra ogni passo di personalizzazione di un occhio protesico criolite vetro tra cui alcuni importanti vantaggi dell'uso di vetro criolite per la produzione di una protesi oculare rispetto al poli(methacritame metililico). Inoltre, questo manoscritto offre agli oftalmologi una migliore comprensione della cura ocularistica che potrebbe migliorare la collaborazione interprofessionale.

Personalizzazione di un occhio protesico in vetro criolite

Qui presentiamo un protocollo per somministrare in modo sicuro ed efficace gas anestetico ai topi utilizzando un sistema di anestesia digitale a basso flusso con ventilatore integrato e moduli di monitoraggio fisiologico.

Utilizzo di un vaporizzatore anestetico integrato a basso flusso, ventilatore e sistema di monitoraggio fisiologico per roditori

Il presente protocollo descrive la tecnica del miografo a filo per misurare la reattività vascolare dell'arteria coronaria del ratto.

Preparazione standardizzata dell'anello coronarico di ratto e registrazione in tempo reale delle variazioni di tensione dinamica lungo il diametro del vaso

Scopri FlexLIS, una piattaforma che integra intelligenza artificiale con sistemi di gestione immagini patologiche. Questo metodo computazionale migliora l'accuratezza diagnostica e ottimizza i flussi di lavoro in patologia digitale.

Introduzione di un sistema integrato di gestione delle immagini di patologia, intelligenza artificiale e reportistica

Esplora altri video