Automated Prediction of Postoperative Pancreatic Fistula Using Preoperative Computed Tomography

Sintesi Tecnica: Predizione Automatica della Fistola Pancreatica Postoperatoria tramite Tomografia Computerizzata Preoperatoria

Problematica
La fistola pancreatica postoperatoria (POPF) è una complicazione grave che segue la resezione pancreatica, aumentando significativamente la morbilità, la durata della degenza ospedaliera e i costi sanitari. L'incidenza di CR-POPF (fistola pancreatica clinicamente rilevante) varia dal 10% al 40%. Mentre la tradizionale stratificazione del rischio si basa su fattori clinici (ad es., BMI, diametro del dotto pancreatico) e valutazioni intraoperatorie, questi metodi soffrono spesso di una precisione moderata e soggettività. Gli autori sostengono che le scansioni TC preoperatorie contengano dati ricchi e ad alta dimensionalità — inclusi sottili caratteristiche testurali e variazioni anatomiche — che potrebbero essere sfruttati per caratterizzare meglio il rischio prima dell'intervento, sebbene questo potenziale rimanga sottoutilizzato dai modelli statistici attuali.

Metodologia
Il documento propone una pipeline di deep learning end-to-end progettata per predire la probabilità di CR-POPF utilizzando esclusivamente l'imaging CT preoperatorio. Il flusso di lavoro consiste in quattro fasi primarie:

1. Coorte di Dati e Pre-elaborazione:

   • Lo studio ha utilizzato un dataset mantenuto prospetticamente dalla Mayo Clinic comprendente pazienti adulti sottoposti a pancreatoduodenectomia tra il 2010 e il 2020.
   • Sono state analizzate due distinte coorti in base alla fase di contrasto: Venosa Portale (N=1.353) e Arteriosa Tardiva (N=963).
   • Rilevamento della Fase: Un classificatore XGBoost ha determinato la fase di contrasto di ogni scansione basandosi sulle intensità delle Unità Hounsfield (HU).
   • Segmentazione ed Estrazione ROI: Per focalizzare il modello sull'anatomia rilevante, gli autori hanno impiegato una segmentazione automatica del pancreas per generare maschere binarie. Sono state confrontate due fonti di segmentazione: un modello 3D nnU-Net personalizzato della Mayo Clinic (MS) e il modello TotalSegmentator (TS).
   • Standardizzazione: La pipeline ha applicato il windowing HU (larghezza finestra=300, centro=80) per standardizzare le intensità. I volumi sono stati ritagliati attorno a un bounding box stretto intorno al pancreas e centrati con padding per ottenere una dimensione uniforme ($H^\star_{in} \times W^\star_{in} \times D^\star_{in}$).

2. Architetture del Modello:
   Sono state valutate tre architetture di reti neurali convoluzionali (CNN) 3D per la classificazione binaria (POPF presente vs assente):

   • CNN3D: Una rete baseline leggera e personalizzata, addestrata da zero, caratterizzata da tre stadi convoluzionali con scorciatoie residue (residual shortcuts).
   • ResNet-(2+1)D-18: Un'architettura residua che fattorizza le convoluzioni 3D in convoluzioni spaziali e di profondità (inter-slice) per modellare efficientemente il contesto 3D.
   • ResNet-MC3-18: Un modello che utilizza convoluzioni spazio-temporali miste, impiegando kernel 3D nei primi strati per il contesto inter-slice e convoluzioni spaziali per singola fetta (slice-wise) negli strati successivi.

3. Addestramento e Valutazione:

   • Augmentation: L'addestramento ha utilizzato trasformazioni MONAI stocastiche, inclusi flip 3D casuali, rotazioni, zoom e perturbazioni di intensità (regolazioni dell'istogramma, rumore, smoothing).
   • Ottimizzazione: I modelli sono stati addestrati con AdamW utilizzando uno schedule del tasso di apprendimento OneCycle. Lo sbilanciamento delle classi è stato affrontato tramite campionamento pesato e perdita cross-entropy pesata.
   • Validazione: Le prestazioni sono state valutate tramite cross-validazione stratificata a 5 fold sotto due protocolli: (i) split bilanciati train/test e (ii) split a distribuzione naturale che preservano la prevalenza osservata di CR-POPF.

Risultati Chiave
Lo studio ha valutato le prestazioni utilizzando l'Area Sotto la Curva ROC (AUC), l'accuratezza, la precisione, il richiamo (recall) e i punteggi F1.

• Performance delle Architetture: Le backbone residue spazio-temporali (ResNet-(2+1)D-18 e ResNet-MC3-18) hanno costantemente superato la baseline personalizzata CNN3D.
• Impatto della Segmentazione: La qualità della maschera del pancreas ha influenzato significativamente i risultati. I modelli che utilizzavano le maschere Mayo Segmentation (MS) hanno ottenuto AUC più elevate (circa 0,73) rispetto a quelli con maschere TotalSegmentator (TS) (circa 0,65–0,66), evidenziando l'importanza della fedeltà della ROI.
• Fase di Contrasto: Nella coorte Arteriosa Tardiva, il modello con le migliori prestazioni (R2Plus1DResNet18 con maschere MS) ha raggiunto un'AUC di $0,73 \pm 0,04$ negli split bilanciati e $0,68 \pm 0,07$ negli split a distribuzione naturale. Nella coorte Venosa Portale, R2Plus1DResNet18 con maschere MS ha raggiunto un'AUC di $0,73 \pm 0,06$ (bilanciato) e $0,70 \pm 0,03$ (naturale).
• Sbilanciamento delle Classi: Sotto gli split a distribuzione naturale, la precisione è diminuita mentre il richiamo è rimasto elevato, un comportamento tipico dei dataset medici sbilanciati, sebbene il ranking dei modelli per AUC sia rimasto coerente.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro dimostra la fattibilità dell'utilizzo della sola imaging CT preoperatoria per stratificare il rischio di CR-POPF. I contributi chiave includono:

• Benchmark Metodologico: Il documento fornisce un confronto rigoroso tra moderne architetture di deep learning 3D per la classificazione CT specifica del pancreas, stabilendo una base per la ricerca futura.
• Utilità Clinica: La pipeline proposta offre uno strumento potenziale per il processo decisionale preoperatorio. Identificando i pazienti ad alto rischio prima dell'intervento, i clinici potrebbero teoricamente personalizzare la gestione perioperatoria, considerare approcci chirurgici alternativi (ad es., evitare l'anastomosi) o istituire un monitoraggio postoperatorio potenziato.
• Insight basati sui Dati: I risultati suggeriscono che le scansioni CT preoperatorie centrate sul pancreas e con windowing HU contengono firme di imaging misurabili associate alla CR-POPF che sono suscettibili di estrazione computazionale.

Limitazioni
Gli autori sottolineano esplicitamente alcune limitazioni:

• Ambito di Predizione: L'imaging da solo non può determinare completamente lo sviluppo della fistola, poiché l'esito è influenzato anche da fattori a livello del paziente (età, comorbidità) e variabili intraoperatorie (perdita di sangue) non inclusi in questo modello.
• Propagazione dell'Errore: La pipeline si affida alla segmentazione automatica; maschere imperfette o una classificazione errata della fase potrebbero propagare errori alla predizione finale.
• Validazione: Lo studio manca di una validazione esterna su coorti indipendenti multi-istituto e di una valutazione prospettica, necessarie per confermare robustezza e utilità clinica prima del deployment.