Pulmonary Embolism Risk Stratification from CTPA and Medical Records: Vascular Graphs Are Not All You Need

Sintesi Tecnica: Stratificazione del Rischio di Embolia Polmonare da CTPA e Cartelle Cliniche

Definizione del Problema
La stratificazione del rischio per l'embolia polmonare (PE) è essenziale per determinare la gestione clinica, come la necessità di terapia intensiva o terapia trombolitica. Le linee guida attuali si basano su una combinazione di cartelle cliniche, esami del sangue (troponina, NT-proBNP) e valutazione visiva della TC Angio-Polmonare (CTPA). Tuttavia, gli esami del sangue sono frequentemente non disponibili durante la diagnosi iniziale, creando un divario tra le linee guida e la pratica di routine. Sebbene la CTPA sia lo strumento diagnostico standard, il suo uso per la stratificazione del rischio è attualmente limitato alla valutazione della disfunzione del ventricolo destro (RV) piuttosto che al carico di trombi. Gli score clinici esistenti per il carico di trombi (es. Qanadli, Mastora) richiedono la localizzazione manuale dei trombi, il che è troppo dispendioso in termini di tempo per l'uso di routine. Sebbene il deep learning abbia automatizzato la segmentazione e il rilevamento, i modelli di visione standard faticano con la natura sparsa di trombi e arterie per la predizione del rischio a livello di paziente. Questo lavoro indaga se i modelli allo stato dell'arte possano stratificare accuratamente il rischio di PE utilizzando solo le cartelle cliniche e i biomarcatori estratti dalla CTPA, esplorando specificamente se le ricche rappresentazioni grafiche vascolari polmonari offrano vantaggi rispetto a feature globali più semplici.

Metodologia
Gli autori propongono una pipeline per categorizzare il rischio di PE in tre classi (Basso, Intermedio-basso, Intermedio-alto) utilizzando un dataset privato di 353 pazienti con dati unicamente completi. La metodologia prevede tre fasi principali:

1. Pre-elaborazione dei Dati ed Estrazione delle Feature:

   • Elaborazione CTPA: Le immagini 3D CTPA vengono elaborate per segmentare i ventricoli cardiaci (LV/RV) e l'albero arterioso polmonare (inclusi i trombi) utilizzando TotalSegmentator e una pipeline nnUNet personalizzata.
   • Costruzione del Grafo: L'albero arterioso segmentato viene convertito in un grafo specifico per ogni paziente dove giunzioni/terminazioni sono nodi e i vasi sono archi. Le feature degli archi includono il raggio del vaso, la lunghezza, il volume, la profondità e le metriche relative al trombo (volume, ostruzione).
   • Computazione dei Biomarcatori:
     • Biomarcatori Cardiaci: Derivati dalle maschere ventricolari (volumi RV/LV, rapporto RV/LV).
     • Biomarcatori Vascolari: Sei metriche a livello di paziente che riassumono il carico di trombi (es. volume totale del trombo, score Qanadli, score Mastora) calcolate dal grafo.
     • Cartelle Cliniche: Dati strutturati che includono fattori dello score sPESI, età, frequenza cardiaca, saturazione di ossigeno, pressione sanguigna e storia di cancro o malattie cardiopulmonari.

2. Architetture di Modello e Strategie di Fusione:
   Lo studio confronta due approcci primari per combinare le cartelle cliniche (feature globali) con le informazioni vascolari:

   • Modelli Tabulari: Le feature globali (cartelle cliniche, biomarcatori cardiaci e biomarcatori vascolari) vengono concatenate e fornite a modelli basati su alberi (XGBoost) e modelli foundation (TabPFN).
   • Reti Neurali su Grafi (GNN): Le GNN sono applicate direttamente ai grafi vascolari. Lo studio valuta:
     • GNN Monomodali: Utilizzando solo il grafo.
     • Fusione Multimodale: Integrando le feature globali con il grafo utilizzando quattro strategie:
       • Early Fusion: Concatenazione delle feature globali a ogni nodo.
       • Late Fusion: Concatenazione delle feature globali all'embedding finale del grafo.
       • Virtual Node (Proposto): Inizializzazione di un nodo virtuale connesso a tutti i nodi del grafo utilizzando le feature globali.
       • Cross-Attention (Proposto): Utilizzo di un Graph Transformer (backbone GPS) dove le feature globali vengono tokenizzate e fuse tramite cross-attention bidirezionale con i token dei nodi.

3. Configurazione Sperimentale:

   • Dataset: 353 pazienti con PE da CHU Saint-Étienne (2014–2020). Le etichette di rischio sono derivate dalle linee guida ESC utilizzando i risultati degli esami del sangue (non forniti al modello).
   • Valutazione: Validazione incrociata a 10 pieghe (split 80/10/10). Le prestazioni sono misurate tramite l'F1-score.
   • Ottimizzazione degli Iperparametri: Ricerca esaustiva utilizzando Optuna per i backbone GNN (GCN, GATv2, GIN, GPS) e le configurazioni di fusione.

Contributi Chiave

1. Sviluppo della Pipeline: Introduzione di una pipeline automatizzata per la stratificazione del rischio di PE che integra cartelle cliniche strutturate con grafi vascolari derivati da CTPA.
2. Benchmarking Completo: Un confronto sistematico tra modelli tabulari e GNN, testando due specifici metodi di fusione intermedia (inizializzazione del Virtual Node e Cross-Attention) per combinare le feature globali con i grafi vascolari.
3. Indagine Empirica sull'Utilità del Grafo: Un'analisi del motivo per cui i grafi vascolari potrebbero non migliorare la stratificazione del rischio, escludendo l'overfitting e il bias delle etichette come cause primarie.

Risultati

• Dominanza delle Feature Globali: Le cartelle cliniche e i biomarcatori cardiaci sono i predittori più significativi. TabPFN raggiunge un F1 score dell'86,3% utilizzando le cartelle cliniche e i biomarcatori cardiaci.
• Valore Limitato dei Biomarcatori Vascolari: L'aggiunta di biomarcatori vascolari (es. score Qanadli) al modello tabulare non migliora significativamente le prestazioni (86,3% vs 86,8% con solo parametri cardiaci; l'aggiunta di biomarcatori vascolari ha prodotto un cambiamento trascurabile).
• Prestazioni delle GNN: Le GNN applicate ai grafi vascolari senza feature globali performano scarsamente (F1 ~50-55%). Quando vengono aggiunte le feature globali, le GNN migliorano ma non riescono a superare il forte baseline tabulare. La migliore configurazione GNN (GPS con Cross-Attention) raggiunge l'83,8% di F1, che è statisticamente indistinguibile dal baseline TabPFN (86,3%) e non rappresenta un miglioramento significativo.
• Test delle Ipotesi:
  • Overfitting: Escluso; i gap di generalizzazione erano coerenti con dataset più ampi.
  • Fallimento dell'Apprendimento: Escluso; le GNN hanno regredito con successo i biomarcatori vascolari (Volume Totale dell'Embolia, score Qanadli) meglio dei modelli tabulari, dimostrando di poter apprendere pattern grafici.
  • Bias delle Etichette: Escluso; gli errori del modello non correla con casi ambigui definiti dai cambiamenti di versione delle linee guida.

Significatività e Conclusione
Il documento presenta il primo studio che valuta l'utilità dei grafi vascolari polmonari per la stratificazione del rischio di PE. Contrariamente all'intuizione che la dettagliata topologia vascolare e il carico di trombi aumenterebbero la predizione del rischio, i risultati suggeriscono che i grafi vascolari non forniscono informazioni discriminanti aggiuntive oltre alle cartelle cliniche e ai biomarcatori cardiaci per questo specifico compito.

Gli autori concludono che, sebbene le GNN possano apprendere pattern complessi all'interno del grafo vascolare (come dimostrato dalla regressione dei biomarcatori), questi pattern non si traducono in un miglioramento della stratificazione del rischio a livello di paziente rispetto a feature globali più semplici. Questa scoperta mette in discussione l'assunto che le rappresentazioni grafiche della vascolarità polmonare siano intrinsecamente superiori per questa specifica applicazione clinica, suggerendo che gli attuali biomarcatori clinici e la storia medica possano già catturare le informazioni di rischio necessarie. Il codice è reso disponibile per supportare ulteriori investigazioni.