Risonanza Magnetica Potenziata: L’Intelligenza Artificiale Rivoluziona la Diagnosi del Tumore Laringeo!

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi sta davvero a cuore e che, credetemi, potrebbe cambiare le carte in tavola per molti pazienti. Immaginate di poter “vedere” un tumore con una precisione mai raggiunta prima, ancor prima di entrare in sala operatoria. Sembra fantascienza? Beh, tenetevi forte, perché stiamo per fare un viaggio nel futuro della diagnosi del carcinoma squamocellulare della laringe (LSCC), un nemico piuttosto diffuso nella zona testa-collo.

Il Problema: Una Diagnosi Spesso Imprecisa

Partiamo da un dato di fatto: l’incidenza del LSCC è aumentata del 12% e la sua prevalenza del 24% negli ultimi 30 anni. Nonostante i progressi, le percentuali di sopravvivenza sono rimaste un po’ stagnanti. La strategia di trattamento dipende moltissimo dalla stadiazione clinica preoperatoria, che segue il sistema TNM (Tumore-Nodo-Metastasi). Se il tumore è in stadio iniziale (I-II), si opta per trattamenti conservativi come la resezione laser o la radioterapia. Ma se è in stadio avanzato (III-IV), spesso si deve ricorrere alla laringectomia totale, un intervento decisamente più invasivo, magari combinato con chemio e radioterapia.

Il guaio è che c’è una discrepanza non da poco tra la stadiazione clinica e quella patologica (cioè quella che si scopre dopo l’intervento): circa un terzo dei pazienti vede il proprio stadio “aggiustato” dopo la laringectomia. Questo significa che alcuni ricevono un trattamento tardivo, altri un trattamento eccessivo. Perché? Perché il sistema TNM clinico si basa su informazioni anatomiche da endoscopia e imaging che non riescono a cogliere la natura eterogenea del tumore. E poi, valutare con precisione l’invasione della cartilagine tiroidea, un fattore cruciale, è una vera sfida con le TC e le RM convenzionali, portando spesso a sovrastime e laringectomie totali non strettamente necessarie.

Capite bene che serve un metodo di valutazione preoperatoria nuovo, non invasivo, che allinei meglio stadiazione clinica e patologica. Ed è qui che entriamo in gioco noi, con un’idea che sfrutta la potenza della risonanza magnetica multiparametrica (RM) combinata con due superpoteri: la radiomica e il deep learning (DL).

Radiomica e Deep Learning: I Nostri Alleati Tecnologici

Forse vi starete chiedendo cosa siano la radiomica e il deep learning. Ve lo spiego in modo semplice. La radiomica è una tecnica che ci permette di estrarre una marea di caratteristiche quantitative complesse dalle immagini mediche, andando oltre ciò che l’occhio umano può cogliere. Queste “firme” digitali ci aiutano a capire meglio l’eterogeneità interna del tumore. È già stata usata con successo per la gradazione dei tumori, la prognosi e la previsione di metastasi linfonodali nei tumori testa-collo.

Il deep learning, d’altro canto, è una branca dell’intelligenza artificiale che impara dai dati. Avete presente quei software che riconoscono i volti nelle foto? Ecco, qualcosa di simile, ma applicato alle immagini mediche. Il DL è bravissimo a trovare pattern complessi, integrando l’estrazione delle caratteristiche e la classificazione. Però, a volte è un po’ una “scatola nera”, nel senso che non è sempre facile capire *perché* ha preso una certa decisione.

L’idea geniale è stata: perché non unire le forze? Alcuni studi hanno già mostrato che combinare queste due metodologie può migliorare i risultati. Ad esempio, un modello combinato radiomica-DL basato su TC ha ottenuto un’AUC (un indice di performance, più è alto meglio è) di 0.849 nel distinguere gli stadi I-II da III-IV del LSCC, superando i modelli singoli. Ma la maggior parte di questi studi si basava su immagini TC, aveva campioni piccoli e mancava di validazione esterna. Noi abbiamo voluto fare un passo in più, usando la risonanza magnetica (RM), che è fantastica per vedere i tessuti molli e la cartilagine.

La nostra ipotesi? Un modello combinato che integra features radiomiche e di deep learning, basato su RM multiparametrica, può distinguere con maggiore accuratezza gli stadi I-II dagli stadi III-IV del LSCC prima dell’intervento. E così è iniziato il nostro studio!

Il Nostro Studio: Come Abbiamo Lavorato

Abbiamo raccolto i dati di 401 pazienti con LSCC confermato istologicamente, provenienti da due centri diversi (uno per il training e test interno, l’altro per il test esterno, per essere sicuri che il modello funzionasse anche “fuori casa”). I criteri di inclusione erano chiari: nessun trattamento preoperatorio, RM multiparametrica standard eseguita entro 14 giorni prima dell’intervento e dati clinici completi. Abbiamo escluso casi di recidiva, altri tumori concomitanti, lesioni troppo piccole o immagini di scarsa qualità.

Le immagini RM (T1, T2 pesate e T1 pesate con contrasto e soppressione del grasso) sono state la nostra materia prima. Un radiologo esperto ha delineato manualmente le regioni di interesse (ROI) sui tumori, strato per strato, creando un volume di interesse (VOI). Per garantire l’affidabilità, un secondo radiologo ha fatto lo stesso su un sottogruppo di pazienti e abbiamo verificato la concordanza. Poi, via all’estrazione delle features radiomiche con PyRadiomics: ben 863 features per sequenza! Abbiamo fatto una bella scrematura per tenere solo quelle più stabili e informative, usando tecniche come il coefficiente di correlazione intraclasse (ICC), l’analisi di correlazione di Spearman e algoritmi come LASSO e RFE (Recursive Feature Elimination).

Abbiamo sviluppato sette modelli radiomici usando l’algoritmo Random Forest, basati su sequenze singole e combinate. Per il modello di deep learning, abbiamo scelto ResNet-18, una rete neurale convoluzionale (CNN) già “allenata” su un vasto dataset di immagini (ImageNet), nota per la sua capacità di estrarre features potenti. Abbiamo dato in pasto alla rete le ROI 2D delle sezioni tumorali più grandi. Per evitare che il modello “imparasse a memoria” i dati (overfitting), abbiamo usato tecniche di data augmentation come flip casuali e cropping.

E poi, il gran finale: il modello combinato. Abbiamo preso le features radiomiche più “cruciali” (quelle con ICC > 0.75 dal modello radiomico che usava tutte le sequenze) e le abbiamo fuse con le features estratte dall’ultimo strato della rete ResNet-18. Dopo un’ulteriore selezione, abbiamo costruito il nostro modello ibrido, sempre con Random Forest.

Infine, abbiamo confrontato le performance dei nostri modelli con quelle di due radiologi esperti che hanno valutato le immagini RM dei pazienti del set di test esterno, senza conoscere la diagnosi patologica.

I Risultati: Una Vittoria per l’Approccio Combinato!

Ebbene, i risultati sono stati entusiasmanti! Nel set di test esterno, il nostro modello combinato ha raggiunto un’AUC di 0.877. Per darvi un’idea, il modello di deep learning da solo ha fatto 0.811 e il miglior modello radiomico (chiamato Radiomics-ALL, che usava tutte e tre le sequenze RM) ha ottenuto 0.835. Non solo: il modello combinato ha superato significativamente sia il modello DL (p=0.017) sia il modello Radiomics-ALL (p=0.039). E, cosa importantissima, ha battuto anche i radiologi (entrambi con p<0.050)!

Parlando di accuratezza, il modello combinato e il Radiomics-ALL hanno raggiunto 0.814, mentre il DL si è fermato a 0.732. Ma la cosa che ci ha colpito di più è stata la capacità del modello combinato di ridurre gli errori di sottostadiazione. I radiologi, nel set di test esterno, avevano classificato erroneamente come stadio I-II rispettivamente 18 e 19 casi su 52 che in realtà erano stadi III-IV. Il nostro modello combinato ha ridotto questo errore a soli 5 casi su 52, diminuendo significativamente il rischio di sottotrattamento!

Abbiamo anche usato una tecnica chiamata Grad-CAM per visualizzare le aree dell’immagine su cui il modello DL si concentrava di più per prendere le sue decisioni: principalmente i margini del tumore e le regioni intratumorali, proprio come farebbe un occhio esperto. E con l’analisi SHAP, abbiamo identificato le features più impattanti nel modello combinato: una feature DL (DL214) era in cima, seguita da un mix di features radiomiche, molte delle quali derivate da trasformate wavelet, che catturano informazioni sulla texture e l’eterogeneità del tumore.

Ma non è finita qui! Abbiamo anche valutato la capacità prognostica del modello combinato sulla sopravvivenza libera da progressione (PFS). Su un gruppo di 267 pazienti seguiti nel tempo, il modello ha dimostrato una discreta capacità discriminatoria (C-index = 0.624) e l’analisi di Kaplan-Meier ha mostrato una PFS significativamente più lunga nei pazienti classificati a basso rischio rispetto a quelli ad alto rischio. Questo suggerisce che il nostro modello potrebbe anche aiutare a prevedere l’andamento della malattia.

Perché Questa Combinazione Funziona Così Bene?

La forza del nostro approccio sta nella sinergia tra radiomica e deep learning. Il DL è un mago nell’estrarre pattern complessi direttamente dalle immagini, mentre la radiomica fornisce un’analisi quantitativa di queste caratteristiche, spesso più interpretabili dal punto di vista clinico. Features radiomiche come quelle della matrice di co-occorrenza dei livelli di grigio (GLCM) o della matrice delle dimensioni delle zone di livelli di grigio (GLSZM) sono correlate all’eterogeneità tumorale e possono riflettere aspetti biologici come pattern di invasione, necrosi e neovascolarizzazione, tutti importanti per la stadiazione del LSCC.

Le features DL, come la DL214 identificata da SHAP, probabilmente catturano caratteristiche morfologiche complesse che distinguono i tumori in stadio iniziale da quelli avanzati, come forme più irregolari, margini sfumati e maggiore eterogeneità, rispecchiando i criteri diagnostici dei radiologi. L’integrazione di queste due “anime” permette al modello di catturare diverse dimensioni dei dati, migliorando l’accuratezza predittiva.

Limiti e Prospettive Future

Ovviamente, come ogni studio, anche il nostro ha dei limiti. Innanzitutto, è retrospettivo; uno studio prospettico darebbe prove ancora più solide. Poi, i dati RM provenivano da macchinari diversi, il che introduce una certa variabilità. Sebbene abbiamo cercato di standardizzare, tecniche di armonizzazione più avanzate potrebbero essere utili in futuro. Inoltre, non abbiamo incluso sequenze RM funzionali come DWI e ADC, che potrebbero fornire ulteriori dettagli sulla biologia tumorale. Sarà interessante integrarle in studi futuri. Infine, i modelli DL amano i grandi numeri: più dati abbiamo, meglio generalizzano. Quindi, ampliare il dataset è uno dei nostri prossimi obiettivi.

Nonostante queste considerazioni, siamo convinti che questo studio apra una strada importante. Dimostra che un modello combinato, che fonde la radiomica e il deep learning basati su RM multiparametrica, ha una capacità predittiva superiore nel distinguere gli stadi I-II dagli stadi III-IV del LSCC. Questo ha il potenziale per migliorare significativamente il processo decisionale clinico, portando a trattamenti più personalizzati e, speriamo, a risultati migliori per i pazienti.

È un campo in continua evoluzione, e noi siamo entusiasti di farne parte, spingendo sempre più in là i confini di ciò che l’intelligenza artificiale può fare per la medicina. Alla prossima!

Fonte: Springer