Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning

1. Il Problema Clinico

La distinzione tra recidiva tumorale e enhancement di contrasto indotto da radiazioni (RICE) nei pazienti con glioblastoma (GBM) dopo il trattamento rappresenta una sfida clinica maggiore.

• Dilemma Diagnostico: Entrambe le condizioni si manifestano come lesioni che si intensificano con il mezzo di contrasto nelle immagini RM, rendendo difficile la differenziazione basata solo sull'aspetto visivo.
• Limiti degli Approcci Attuali: I flussi di lavoro clinici attuali si basano su panel tumorali multidisciplinari complessi e lenti. Le tecniche esistenti spesso si affidano a risonanza magnetica con diffusione (DWI), che non è sempre disponibile, o ignorano le mappe di dose radioterapica, che invece sono cruciali per la valutazione.
• Necessità: È richiesto un metodo automatizzato, precoce e accurato che integri i dati longitudinali di imaging con le informazioni dosimetriche per supportare il processo decisionale in neuro-oncologia.

2. Metodologia: RICE-NET

Gli autori hanno sviluppato RICE-NET, un modello di deep learning multimodale 3D progettato per la classificazione automatica delle lesioni.

Dataset e Preprocessing

• Cohort: 92 pazienti con GBM trattati presso l'Università di Heidelberg.
  • Set di addestramento/validazione: 80 pazienti (48 recidive, 32 RICE).
  • Set di test indipendente: 12 pazienti (7 recidive, 5 RICE).
• Input Multimodali: Per ogni soggetto sono stati utilizzati tre volumi di imaging:
  1. MRI Post-OP: T1 con contrasto, acquisito dopo la resezione chirurgica (baseline).
  2. MRI Event: T1 con contrasto, acquisito al momento della comparsa della nuova lesione sospetta.
  3. Mappa RD (Radiation Dose): Mappa 3D della distribuzione cumulativa della dose di radiazioni.
• Preprocessing: I volumi sono stati risampolati, co-registrati (usando ANTS), estratti dal cranio (HD-BET), normalizzati (z-score) e ritagliati a 224x224x224 voxel.

Architettura del Modello

• Struttura: Rete neurale 3D ResNet-18 adattata per immagini mediche volumetriche, implementata con il framework MONAI.
• Design: Utilizza connessioni residue per facilitare il flusso del gradiente e blocchi residui con normalizzazione di batch e attivazioni ReLU.
• Fusione: Per gli input multimodali, i canali delle diverse modalità (MRI e mappa RD) vengono concatenati lungo la dimensione del canale prima dell'ingresso nella rete.
• Addestramento: 800 epoche, ottimizzatore Adam, perdita cross-entropy, campionatore casuale ponderato per bilanciare le classi. Sono state utilizzate tecniche di augmentation (deformazioni elastiche, rotazioni, rumore, ecc.).

Valutazione e Interpretabilità

• Metrica Primaria: F1-score macro (media non ponderata degli F1-score per classe), scelto per robustezza allo sbilanciamento delle classi.
• Validazione: Validazione incrociata a 5-fold sul set di addestramento e voto a maggioranza sul set di test indipendente.
• Interpretabilità: Utilizzo di mappe di occlusione (occlusion sensitivity) per identificare le regioni spaziali che influenzano maggiormente la predizione, mascherando sistematicamente parti dell'input.

3. Risultati Chiave

Gli esperimenti di ablazione hanno quantificato il contributo di ciascuna modalità:

• Performance Singola Modalità:
  • Mappa RD (Dose): F1 = 0.78 (la singola modalità più informativa).
  • MRI Post-OP: F1 = 0.70.
  • MRI Event: F1 = 0.58.
• Performance Multimodale:
  • La combinazione di MRI Event + RD ha ottenuto il miglior risultato di validazione (F1 = 0.83).
  • La combinazione MRI Post-OP + RD ha ottenuto F1 = 0.828.
  • L'uso di tutti e tre gli input (Post-OP + Event + RD) ha dato un F1 di validazione di 0.804.
• Test Indipendente: Un ensemble di modelli cross-validati ha raggiunto un F1-score di 0.916 sul set di test indipendente.
• Analisi di Interpretabilità: Le mappe di occlusione hanno confermato che il modello si concentra sulle regioni ad alta dose e sulle lesioni che si intensificano con il contrasto, dimostrando un ragionamento multimodale clinicamente rilevante.

4. Contributi Principali

1. Integrazione Dosimetrica: Dimostrazione che le mappe di dose radioterapica sono un predittore fondamentale, spesso più informativo delle immagini MRI da sole per distinguere RICE da recidiva.
2. Approccio Multimodale Longitudinale: Sviluppo di un framework che combina dati di imaging pre-operatori, eventi clinici e piani di trattamento in un'unica architettura 3D.
3. Validazione Clinica: Evidenza che l'uso di dati convenzionali (T1 con contrasto) combinati con la dose può superare le limitazioni delle tecniche avanzate (come la diffusione) che non sono sempre disponibili.
4. Interpretabilità: Fornitura di mappe di attenzione che allineano le predizioni del modello con le regioni biologicamente rilevanti (alte dosi e lesioni), aumentando la fiducia clinica.

5. Significato e Limitazioni

Significato:
Il lavoro sottolinea il potenziale dell'apprendimento profondo multimodale per migliorare l'accuratezza diagnostica in neuro-oncologia. Integrare le mappe di dose nei processi decisionali potrebbe permettere una diagnosi più precoce e affidabile, riducendo la necessità di biopsie invasive o follow-up prolungati incerti.

Limitazioni:

• Dimensione del Campione: La coorte è relativamente piccola (92 pazienti), il che ha portato a una significativa incertezza statistica, evidenziata dal divario tra i punteggi di validazione incrociata e quelli del test (specialmente per le sole immagini MRI).
• Fusione Semplice: L'attuale fusione canale-per-canale potrebbe non catturare interazioni complesse non lineari tra MRI e dose.
• Mancanza di Controlli: Assenza di soggetti senza recidiva né RICE nel dataset.

Prospettive Future:
Espansione del dataset, inclusione di casi non recidivanti, esplorazione di strategie di fusione avanzate e validazione multicentrica per confermare la generalizzabilità di RICE-NET.