CFB-GBM v2.0: An Augmented Longitudinal Dataset for Multi-Modal Glioblastoma Segmentation, Radiomics, and RANO Progression Tracking

Il glioblastoma è la forma più aggressiva di tumore cerebrale primario negli adulti, una malattia che si muove con una velocità spaventosa e lascia i pazienti con una sopravvivenza mediana di soli quindici mesi. Poiché il tumore si comporta in modo così diverso da una persona all'altra, i medici faticano a prevedere chi risponderà alla terapia e chi no. Attualmente, il modo standard per giudicare se una terapia stia funzionando si basa sulla risonanza magnetica nucleare, o RM, eseguita nell'arco di diversi mesi. I medici cercano cambiamenti nelle dimensioni del tumore, ma questo processo è lento. Spesso occorrono due mesi per distinguere tra un tumore che sta effettivamente crescendo e uno che appare solo più grande a causa dell'infiammazione causata dal trattamento stesso. Questo ritardo è critico; in una corsa contro il tempo, aspettare due mesi per modificare un piano di trattamento fallimentare può fare la differenza tra la vita e la morte. Per risolvere questo problema, i ricercatori hanno bisogno di enormi quantità di dati medici dettagliati che seguano i pazienti nel tempo, mostrando esattamente come i loro tumori cambiano e come reagiscono alla terapia. Tuttavia, tali dati sono stati scarsi, spesso chiusi nei registri ospedalieri privati o privi dei dettagli cruciali necessari per costruire modelli informatici affidabili.

Un team di ricercatori dalla Francia ha ora rilasciato un aggiornamento significativo di un database pubblico progettato per aiutare scienziati e medici a superare questi ostacoli. Chiamata CFB-GBM v2.0, questa nuova collezione riunisce le cartelle cliniche e le scansioni di 264 pazienti che sono stati trattati per glioblastoma in un singolo centro oncologico tra il 2017 e il 2023. Il dataset è speciale perché segue questi pazienti attraverso tre momenti distinti del loro percorso terapeutico: prima dell'inizio della terapia, e poi di nuovo a circa quattro e sei mesi dopo. Per ogni uno di questi momenti, il database include una ricca varietà di immagini, come diversi tipi di scansioni RM e TC, insieme a mappe precise delle dosi di radiazioni ricevute dai pazienti. L'aggiunta più importante in questa nuova versione è che i ricercatori hanno ora completato i pezzi mancanti del puzzle: hanno creato contorni dettagliati dei tumori per ogni singolo paziente in ogni singolo momento temporale. Nella versione originale dei dati, questi contorni erano mancanti per la maggior parte dei pazienti nelle fasi successive, rendendo impossibile studiare come i tumori cambiassero nel tempo. Ora, con i contorni completi per quasi tutti i pazienti, il database permette ai ricercatori di vedere l'intera storia della progressione della malattia.

Per creare questi nuovi contorni, il team non ha tracciato manualmente ogni singolo tumore a mano, un compito che avrebbe richiesto anni. Invece, hanno addestrato un sofisticato programma informatico per svolgere il lavoro. Sono partiti da un modello che aveva già imparato a riconoscere i tumori cerebrali da una diversa e grande collezione di immagini mediche. Hanno poi istruito questo programma utilizzando i pochi contorni di alta qualità che già possedevano dai propri pazienti. Una volta che il computer ha imparato i pattern, ha generato automaticamente i contorni tumorali mancanti per il resto del gruppo. Per garantire che il computer non commettesse errori, cinque esperti di radioterapia oncologica hanno revisionato una selezione casuale dei nuovi contorni. Hanno constatato che il lavoro del computer era straordinariamente accurato, corrispondendo quasi perfettamente alle correzioni degli esperti. Questa validazione conferisce fiducia agli altri scienziati, affinché possano utilizzare questi contorni generati automaticamente per addestrare i propri strumenti senza dover passare mesi a ridisegnare i tumori.

Con i contorni dei tumori ora completi per ogni paziente in ogni fase, i ricercatori sono stati in grado di calcolare esattamente quanto i tumori si siano rimpiccioliti o ingranditi tra le visite. Hanno applicato un set standard di regole utilizzate dai medici in tutto il mondo per classificare i risultati. Queste regole categorizzano la risposta di un paziente come una scomparsa completa del tumore, un rimpicciolimento parziale, una condizione stabile in cui il tumore non cresce significativamente, o una progressione in cui il tumore cresce di dimensioni. Facendo questo per ogni possibile coppia di punti temporali, il team ha fornito un registro chiaro e pronto all'uso di come ogni paziente abbia risposto al trattamento. Ciò rende il dataset immediatamente utile per i ricercatori che cercano di costruire sistemi di intelligenza artificiale in grado di prevedere il successo del trattamento precocemente, permettendo potenzialmente ai medici di cambiare strategia prima che la malattia avanzi troppo.

Oltre ai contorni dei tumori e alle categorie di risposta, il dataset include altri strumenti progettati per rendere la ricerca più facile e coerente. Il team ha fornito misurazioni pre-calcolate della texture e della forma del tumore, note come caratteristiche radiomiche. Questi numeri descrivono la struttura interna del tumore in modi che l'occhio umano non può vedere, offrendo indizi sulla biologia del cancro. Hanno anche incluso maschere che isolano il cervello dal resto della testa nelle immagini, il che aiuta i ricercatori a concentrare la loro analisi sull'area rilevante senza interferenze da parte di ossa o pelle. Inoltre, il database indica chiaramente quale versione delle linee guida di classificazione dell'Organizzazione Mondiale della Sanità è stata utilizzata per diagnosticare ogni paziente, un dettaglio che conta perché la definizione di glioblastoma è cambiata nel 2021 per richiedere specifici marcatori genetici.

Nonostante questi grandi miglioramenti, i ricercatori sottolineano con cautela ciò che i dati non possono ancora dirci. Il database non include informazioni sulle specifiche mutazioni genetiche all'interno dei tumori, come lo stato del gene IDH, che è un potente predittore di come un paziente evolverà. Senza queste informazioni genetiche, il dataset non può essere utilizzato per studiare il legame tra i geni di un tumore e il suo comportamento. Gli autori suggeriscono che futuri aggiornamenti potrebbero includere questi dettagli genetici mancanti e scomporre i contorni dei tumori in parti ancora più fini, come separare il centro morto del tumore dai bordi attivi. Per ora, tuttavia, CFB-GBM v2.0 si presenta come una risorsa robusta e accessibile. Trasforma una collezione di registri medici dispersi in una storia longitudinale coerente di 264 pazienti, offrendo alla comunità scientifica una solida base per sviluppare modi migliori per monitorare, prevedere e, infine, trattare questa devastante malattia.