Oltre il Gleason: La Radiomica MRI Scova il Nemico Nascosto nel Cancro alla Prostata

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona molto e che potrebbe davvero cambiare le carte in tavola nella lotta contro il cancro alla prostata: come la risonanza magnetica (MRI), potenziata da tecniche avanzate come la radiomica, ci sta aiutando a vedere cose che prima erano quasi invisibili.

Il Problema: Non Tutti i Cancri alla Prostata Sono Uguali

Quando si parla di cancro alla prostata, uno dei parametri fondamentali è il famoso punteggio di Gleason. È un sistema che i patologi usano per classificare l’aggressività del tumore guardando le cellule al microscopio. In particolare, il Gleason Pattern 4 (GP4) è associato a un tumore più aggressivo rispetto al Gleason Pattern 3 (GP3). Ma c’è un “ma”: anche all’interno del GP4, non tutte le forme sono uguali. Esiste un sottotipo chiamato pattern cribriforme (che chiameremo GP4Crib+) che è particolarmente “cattivo”, associato a esiti clinici peggiori.

Il problema è che distinguerlo dagli altri sottotipi di GP4 (che chiameremo GP4Crib-) o dal GP3 non è sempre facile, specialmente con le sole biopsie. E questa distinzione è cruciale! Pensate agli uomini con un rischio intermedio: alcuni potrebbero beneficiare di una sorveglianza attiva, evitando trattamenti invasivi, ma solo se possiamo essere ragionevolmente sicuri che non ci sia questo pattern cribriforme aggressivo. Altri, invece, necessitano di un trattamento più deciso. Capire chi è chi fa tutta la differenza del mondo.

La Risonanza Magnetica Entra in Gioco

Qui entra in gioco la risonanza magnetica (MRI). È già uno strumento potentissimo: ci aiuta a vedere le aree sospette nella prostata, a guidare le biopsie in modo più preciso e a ridurre quelle inutili. Ma possiamo fare di più? Possiamo usare l’MRI per “vedere” la presenza del pattern cribriforme senza dover per forza fare affidamento solo sul campione di tessuto della biopsia, che potrebbe non essere rappresentativo dell’intero tumore?

Studi precedenti hanno suggerito che le aree con pattern cribriforme tendono ad avere valori più bassi di un parametro MRI chiamato Coefficiente di Diffusione Apparente (ADC). L’ADC misura quanto facilmente le molecole d’acqua si muovono nei tessuti: dove le cellule sono molto stipate e lo spazio extracellulare è ridotto (come nel pattern cribriforme), l’acqua si muove meno liberamente e l’ADC è più basso. Interessante, vero?

La Nostra Missione: Sfruttare la Radiomica

Partendo da queste premesse, ci siamo chiesti: possiamo usare la radiomica per andare oltre? La radiomica è una tecnica che permette di estrarre una quantità enorme di dati quantitativi dalle immagini mediche, dati che l’occhio umano non riesce a cogliere. L’idea è che queste “firme” numeriche nascoste nelle immagini MRI possano correlare con caratteristiche biologiche specifiche del tumore, come appunto la presenza del pattern cribriforme.

Quindi, abbiamo intrapreso uno studio retrospettivo. Abbiamo preso i dati di 291 uomini operati per cancro alla prostata nel nostro istituto, che avevano fatto una MRI prima dell’intervento. La cosa fondamentale è che avevamo a disposizione l’intera prostata rimossa chirurgicamente (i cosiddetti “whole-mount specimens”). Questo ci ha permesso di fare una cosa preziosa: un patologo esperto ha meticolosamente mappato le aree esatte di GP3, GP4Crib- e GP4Crib+ sull’intero campione istologico.

Poi è arrivata la parte complessa: abbiamo co-registrato queste mappe istologiche con le immagini MRI (sequenze T2 pesate, mappe ADC e mappe del volume sanguigno frazionato, fBV). In pratica, abbiamo cercato di far combaciare perfettamente le aree tumorali viste al microscopio con le corrispondenti aree nelle scansioni MRI. Non è un processo perfetto, ci sono sempre delle piccole imprecisioni dovute alla deformazione del tessuto, ma abbiamo usato punti di riferimento anatomici per essere il più accurati possibile.

Per minimizzare ulteriormente l’impatto di queste incertezze di allineamento e degli effetti di volume parziale (specialmente sui bordi delle regioni), abbiamo applicato un processo di “erosione”: abbiamo virtualmente “limato” i bordi di ogni regione segmentata sull’MRI, concentrandoci sulla parte più interna, quella più rappresentativa del pattern istologico sottostante. Questo ha ridotto il numero di regioni analizzabili da 592 a 465, ma ci ha dato più fiducia nei dati estratti.

Da queste regioni “pulite”, abbiamo estratto tantissime caratteristiche radiomiche usando un software specializzato (PyRadiomics): caratteristiche di forma, statistiche di primo ordine (come media, mediana, percentili dell’intensità del segnale) e caratteristiche di texture (che descrivono l’eterogeneità dell’immagine) dalle sequenze T2w, ADC e fBV.

Il Modello e la Scoperta Chiave

A questo punto, avevamo un sacco di dati. Abbiamo diviso casualmente le regioni in set di addestramento (60%), validazione (20%) e test (20%). L’obiettivo era sviluppare un modello statistico (una regressione logistica) capace di distinguere le regioni GP4Crib+ dalle altre (GP3/GP4Crib-), basandosi sulle caratteristiche radiomiche estratte. Abbiamo usato algoritmi di selezione delle caratteristiche (come mRMR) per identificare quelle più informative e meno ridondanti.

E qui arriva la parte interessante! Dopo tutta questa analisi, quale caratteristica è emersa come la più potente nel predire la presenza del pattern cribriforme? Sorprendentemente, una sola: il 90° percentile del valore ADC. E il modello ha trovato una relazione inversa: più basso è il valore del 90° percentile dell’ADC in una regione, più alta è la probabilità che quella regione contenga il pattern cribriforme.

Questo ha senso dal punto di vista biologico: il pattern cribriforme è denso, quindi ci aspettiamo valori ADC bassi. Il 90° percentile è una misura statistica che rappresenta il valore al di sotto del quale si trova il 90% dei valori ADC in quella regione. Un 90° percentile basso significa che la stragrande maggioranza dei voxel in quella regione ha valori ADC bassi, suggerendo appunto la presenza di tessuto denso come quello cribriforme. Il nostro modello ha identificato una soglia (circa 1.13 x 10⁻³ mm²/s): regioni con un 90° percentile ADC sotto questa soglia venivano classificate come potenzialmente cribriformi.

Il modello ha raggiunto una accuratezza bilanciata (una metrica utile quando le classi sono sbilanciate, come nel nostro caso con meno regioni cribriformi) del 0.65 nel set di test, significativamente meglio del tirare a indovinare (che darebbe 0.50). L’area sotto la curva ROC (AUC) è stata di 0.75, indicando una capacità discriminativa moderata ma reale. La precision-recall AUC era più bassa (0.35), riflettendo la difficoltà nel predire correttamente la classe meno frequente (GP4Crib+).

Cosa Significa Tutto Questo? Potenzialità e Limiti

Questo studio, seppur esplorativo, è importante. Suggerisce che una singola caratteristica radiomica derivata dall’ADC, il 90° percentile, potrebbe essere un biomarker non invasivo per identificare aree sospette per il pattern cribriforme. Concentrandoci sulle singole regioni istologiche invece che sull’intero tumore (che è spesso eterogeneo), siamo riusciti a isolare una firma specifica.

Certo, dobbiamo essere cauti. I risultati sono moderati, non perfetti. Ci sono delle limitazioni:

• Lo studio è retrospettivo e su un numero limitato di pazienti da un singolo centro.
• La prevalenza del pattern cribriforme nel nostro campione era relativamente bassa dopo l’erosione, il che rende la modellazione più difficile.
• La co-registrazione tra istologia e MRI ha incertezze intrinseche.
• I valori ADC possono sovrapporsi tra diversi tipi di tessuto; ad esempio, aree con molto stroma denso (tessuto connettivo) potrebbero avere un ADC basso pur non essendo cribriformi, portando a falsi positivi.
• Non abbiamo potuto fare una validazione esterna su dati di altri ospedali.

Nonostante ciò, credo che questo lavoro apra strade interessanti. Non stiamo proponendo un modello pronto per l’uso clinico domani mattina per classificare l’intero tumore di un paziente, ma piuttosto stiamo identificando delle “firme” di immagine associate specificamente al pattern cribriforme a livello regionale.

Guardando al Futuro

Qual è il prossimo passo? La speranza è che queste scoperte possano, in futuro, contribuire a:

• Migliorare la valutazione del rischio: Aiutare a distinguere meglio i pazienti a rischio intermedio che possono optare per la sorveglianza da quelli che necessitano di trattamento.
• Guidare le biopsie: Indicare le aree più sospette per il pattern cribriforme da campionare durante una biopsia mirata.
• Pianificare trattamenti: Ad esempio, identificare aree cribriformi potrebbe essere utile per pianificare trattamenti focali o per definire dosi più alte di radioterapia (boosting) su quelle zone specifiche.

Insomma, la strada è ancora lunga, ma la combinazione di imaging avanzato come l’MRI e tecniche di analisi sofisticate come la radiomica ci sta fornendo strumenti sempre più potenti per capire e combattere il cancro alla prostata in modo più personalizzato. Il 90° percentile dell’ADC potrebbe essere solo la punta dell’iceberg, ma è un indizio prezioso che ci spinge a continuare a scavare!

Fonte: Springer