A spatial AI-based biomarker with independent prognostic value in early low- and intermediate- risk breast cancer

Il cancro al seno è una malattia in cui le cellule del corpo iniziano a crescere in modo incontrollato e, per molte donne, il tipo più comune coinvolge cellule che sono guidate dall'estrogeno ma non reagiscono a una proteina chiamata HER2. I medici sanno da tempo che alcuni di questi tumori sono molto lenti a crescere e improbabili nel tornare dopo l'intervento chirurgico, mentre altri sono più aggressivi. Per decidere chi necessita di un trattamento extra, come la chemioterapia, i patologi esaminano i campioni di tessuto al microscopio. Assegnano un grado al tumore in base a quanto appaiono anormali le cellule; un grado basso significa solitamente una prognosi migliore, mentre un grado alto suggerisce un rischio maggiore. Tuttavia, questo sistema non è perfetto. Molte pazienti con tumori che appaiono solo moderatamente anormali affrontano comunque il rischio che il cancro ritorni anni dopo, mentre altre con tumori simili rimangono completamente sane. La sfida è trovare un modo per distinguere tra questi due gruppi senza fare affidamento su costosi test genetici o su supposizioni.

Un team di ricercatori in Svezia ha sviluppato un nuovo modo per esaminare questi campioni di tessuto utilizzando l'intelligenza artificiale. Invece di dare al tumore intero un singolo punteggio medio, il loro metodo presta attenzione a dove compaiono schemi specifici sulla diapositiva. Hanno scoperto che la posizione delle cellule pericolose conta tanto quanto la loro quantità. Nello specifico, hanno scoperto che quando gruppi di cellule ad alto rischio si radunano proprio al bordo del tumore, dove questo incontra il tessuto sano, il rischio che il cancro ritorni è significativamente più alto. Questa scoperta offre un nuovo strumento per identificare quali pazienti abbiano realmente bisogno di un trattamento più aggressivo e quali possano evitarlo in sicurezza, il tutto utilizzando le normali vetrini microscopici che gli ospedali già possiedono.

I ricercatori sono partiti da un'idea semplice: che il modo in cui un tumore è organizzato nello spazio detiene segreti che un semplice punteggio medio non può cogliere. Immaginate un tumore non come una massa uniforme, ma come un paesaggio con diversi quartieri. Alcune parti potrebbero apparire calme e ordinate, mentre altre potrebbero essere caotiche e aggressive. Per anni, i modelli di intelligenza artificiale utilizzati per analizzare queste diapositive sono stati addestrati per guardare l'intera immagine e produrre un unico numero che rappresenti il rischio complessivo. Sebbene questi modelli siano potenti, spesso levigano i dettagli, mescolando i bordi caotici con i centri calmi in un unico punteggio diluito. Il team alla guida di questo studio, lavorando con i dati di migliavere di pazienti in tutta la Svezia, ha ipotizzato che se fossero riusciti a mappare esattamente dove si trovavano le parti pericolose, avrebbero potuto trovare un segnale più chiaro. Si sono concentrati sull'attenzione sul "fronte invasivo", il confine esterno del tumore dove le cellule cancerose interagiscono con il tessuto circostante e vi si spingono dentro. Questa è una zona biologicamente attiva in cui le cellule spesso cambiano forma per diventare più mobili e invasive.

Per testare questo, gli scienziati hanno utilizzato un enorme insieme di dati di campioni di tessuto provenienti da oltre 6.000 donne con cancro al seno in fase iniziale. Hanno diviso queste pazienti in due gruppi: un gruppo per addestrare i loro modelli informatici e un altro gruppo completamente separato per testare i risultati, assicurandosi che i risultati non fossero solo un colpo di fortuna. Hanno utilizzato un sofisticato sistema di IA per suddividere ogni vetrino microscopico in migliaia di piccoli quadrati, o tasselli, e hanno analizzato la forma e la struttura delle cellule in ciascuno di essi. L'IA è stata addestrata a riconoscere schemi che somigliano a un cancro di alto grado e aggressivo. Una volta che l'IA aveva valutato ogni singolo tassello, i ricercatori hanno fatto qualcosa di diverso rispetto agli studi precedenti. Invece di contare semplicemente quanti tasselli ad alto rischio esistevano, hanno cercato dei raggruppamenti. Si sono posti una domanda specifica: ci sono gruppi di questi tasselli ad alto rischio seduti proprio accanto l'altro al limite estremo del tumore? Hanno definito un "cluster" (gruppo) come un insieme in cui almeno due terzi dei tasselli vicini erano anch'essi ad alto rischio. Se un tale cluster esisteva al fronte del tumore, la paziente veniva contrassegnata come "cluster-positiva".

I risultati sono stati sorprendenti. Nel gruppo di pazienti con tumori generalmente considerati a rischio basso o intermedio, la presenza di questi cluster al bordo del tumore ha cambiato completamente la prognosi. Tra le pazienti con questi cluster, il rischio che il cancro ritorni entro dieci anni era significativamente più alto. Infatti, i dati hanno mostrato che le pazienti con questi cluster avevano un tasso di sopravvivenza a dieci anni senza recidiva di circa il 90 percento, che è inferiore al tasso del 92,6 percento osservato nel gruppo di riferimento di Grado 3. D'altra parte, le pazienti che non presentavano questi cluster al bordo del tumore avevano un'ottima prognosi, con un tasso di sopravvivenza a dieci anni superiore al 95 percento. Questo gruppo di pazienti "cluster-negative" si è comportato bene quanto quelle con i tumori di grado più basso, suggerendo che potrebbero essere trattate con una terapia meno aggressiva.

Fondamentalmente, questo nuovo marcatore forniva informazioni che il punteggio standard dell'IA non poteva vedere da solo. I ricercatori hanno scoperto che anche tra le pazienti i cui tumori erano classificati come a basso rischio dal punteggio generale dell'IA, quelle che presentavano questi specifici cluster al bordo affrontavano comunque un rischio molto più elevato di recidiva. Ciò significa che la disposizione spaziale delle cellule stava rivelando un pericolo nascosto che un semplice punteggio medio aveva mancato. Lo studio ha confermato questi risultati in un gruppo indipendente di pazienti di una regione diversa della Svezia, dimostrando che il risultato non era specifico per un singolo ospedale o per un set di vetrini. La presenza di questi cluster era collegata a un aumento di quasi tre volte del rischio di recidiva, un segnale forte che rimaneva valido anche quando i ricercatori tenevano conto di altri fattori come l'età della paziente o la dimensione del tumore.

Questo lavoro suggerisce che il futuro della valutazione del rischio oncologico possa risiedere nel guardare la mappa di un tumore, non solo il suo punteggio medio. Preservando l'informazione spaziale su dove si trovano le cellule ad alto rischio, i medici potrebbero essere in grado di individuare le pazienti che sono realmente a rischio, anche se il loro tumore appare per lo più innocuo. Per le pazienti che non presentano questi cluster, la notizia è altrettanto importante: offre una prova concreta del fatto che appartengono a un gruppo a bassissimo rischio, potenzialmente risparmiandole trattamenti non necessari. Lo studio non sostiene di aver risolto il problema del cancro al seno, ma fornisce un metodo chiaro e concreto per affinare il modo in cui i medici comprendono il rischio. Dimostra che, nel complesso paesaggio di un tumore, la posizione del pericolo è importante quanto il pericolo stesso.