Multimodal B-Mode and Contrast-Enhanced Ultrasound Radiomics With Two-Stage Supervised Contrastive Representation Learning for Differentiating Benign and Malignant Breast Lesions

Sintesi Tecnica: Radiomica Ultrasonografica Multimodale B-Mode e con Contrasto mediante Apprendimento di Rappresentazione Contrastivo Supervisionato a Due Stadi

Problematica
La differenziazione accurata tra lesioni mammarie benigne e maligne rimane una sfida clinica critica. Sebbene l'ecografia B-mode (BUS) sia un esame di prima linea di routine, la sua accuratezza diagnostica è limitata dalla dipendenza dalla valutazione visiva delle caratteristiche morfologiche (forma, margine, ecogenicità), portando a potenziali biopsie non necessarie o a casi di malignità mancati. L'ecografia con mezzo di contrasto (CEUS) fornisce informazioni complementari riguardanti la perfusione microvascolare della lesione e i pattern di enhancement, ma non viene sempre integrata efficacemente con i dati BUS. Gli approoli radiomici convenzionali spesso concatenano le caratteristiche di più modalità in un unico pool ad alta dimensionalità, il che può sfumare le distribuzioni specifiche della modalità e non riuscire a apprendere esplicitamente l'accordo o la divergenza tra i segnali BUS e CEUS. Questo studio affronta la necessità di un metodo robusto per fondere le caratteristiche radiomiche complementari di BUS e CEUS senza ridurle a un semplice pool di caratteristiche, con l'obiettivo di migliorare la discriminazione tra benigno e maligno.

Metodologia
Questo studio retrospettivo monocentrico ha analizzato 486 donne con lesioni mammarie confermate patologicamente (310 benigne, 176 maligne) sottoposte sia a BUS che a CEUS. Il flusso di lavoro ha previsto la segmentazione manuale 3D delle regioni di interesse (ROI) da parte di radiologi esperti, seguita dall'estrazione delle caratteristiche radiomiche tramite PyRadiomics. Sono state mantenute le caratteristiche con alta riproducibilità (Coefficiente di Correlazione Intraclasse > 0,75).

Il nucleo dello studio è stato lo sviluppo e il confronto di sei modelli:

1. Modelli Radiomici Convenzionali: Classificatori Support Vector Machine (SVM) addestrati su caratteristiche solo BUS, solo CEUS e BUS+CEUS concatenate.
2. Fusione tramite Reti Neurali: Un Multilayer Perceptron (BUS+CEUS-MLP) addestrato su caratteristiche concatenate per apprendere relazioni non lineari.
3. Radiomics-TSMCR (Modello Primario): Un adattamento radiomico del Two-Stage Supervised Multimodal Contrastive Representation Learning (TSMCR). Questa architettura presenta:
   • Stadio 1: Encoder specifici per modalità che trasformano le caratteristiche BUS e CEUS in rappresentazioni latenti distinte, preservando le diverse distribuzioni (morfologia vs. perfusione). Un obiettivo contrastivo cross-modale supervisionato per batch allinea le rappresentazioni della stessa classe e separa le classi differenti utilizzando etichette patologiche, senza concatenazione diretta delle caratteristiche.
   • Stadio 2: Un encoder condiviso apprende caratteristiche cross-modali di livello superiore. Le rappresentazioni di entrambi gli stadi vengono concatenate in un vettore multilivello e classificate utilizzando un classificatore basato sul margine ispirato al Deep Support Vector Machine (DSVM).
4. ResNet18-TSMCR: Un comparatore a livello di immagine che utilizza patch di immagini accoppiate BUS e CEUS (128x128) elaborate attraverso due rami ResNet18 all'interno dello stesso framework TSMCR, fungendo da benchmark esplorativo rispetto alla radiomica handcrafted.

Le prestazioni dei modelli sono state valutate tramite l'Area Sotto la Curva ROC (AUC), test di DeLong, curve di calibrazione, test di Hosmer-Lemeshow, Analisi della Curva Decisionale (DCA) e SHapley Additive exPlanations (SHAP) per l'interpretabilità. La ricalibrazione post-hoc tramite Platt scaling e regressione isotonica è stata applicata al modello primario.

Risultati Chiave

• Prestazioni: Il modello Radiomics-TSMCR ha raggiunto l'AUC di validazione interna più elevato di 0,896 (9% CI, 0,838–0,945). Ha superato significativamente BUS-SVM (0,833), CEUS-SVM (0,815), BUS+CEUS-SVM (0,825) e BUS+CEUS-MLP (0,863) (tutti P < 0,05).
• Confronto con l'Apprendimento a Livello di Immagine: Il modello Radiomics-TSMCR ha mostrato prestazioni comparabili al modello ResNet18-TSMCR a livello di immagine (AUC 0,892), senza alcuna differenza statisticamente significativa (P = 0,9102).
• Calibrazione: Sebbene il modello dimostrasse una forte discriminazione, l'output grezzo mostrava una significativa mancanza di adattamento nel test di Hosmer-Lemeshow. La regressione isotonica ha migliorato le metriche di calibrazione (Errore di Calibrazione Attesa, punteggio di Brier, Log loss) rispetto al Platt scaling, sebbene il test di Hosmer-Lemeshow sia rimasto significativo, indicando che il modello funziona meglio come strumento di classificazione del rischio piuttosto che come stimatore di probabilità completamente calibrato.
• Interpretabilità: L'analisi SHAP ha rivelato contributi bilanciati da entrambe le modalità, con le caratteristiche BUS che contribuiscono per il 54,95% e le caratteristiche CEUS per il 45,05% al valore assoluto medio totale di SHAP. Le principali caratteristiche includevano la texture wavelet, la forma e le informazioni di dipendenza dal livello di grigio, confermando l'integrazione dei dati di morfologia ed eterogeneità di enhancement.

Significatività e Rivendicazioni
L'articolo afferma che il modello multimodale Radiomics-TSMCR dimostra prestazioni favorevoli nella differenziazione tra lesioni mammarie benigne e maligne in un contesto di validazione interna. La sua primaria significatività risiede nel successo dell'adattamento di un framework di apprendimento contrastivo supervisionato a due stadi ai dati radiomici. Gli autori sostengono che questo approccio fonda efficacemente le informazioni BUS e CEUS preservando le distribuzioni specifiche della modalità pur apprendendo una rappresentazione condivisa guidata dalla patologia, superando i metodi di concatenazione convenzionali (SVM, MLP).

Le prestazioni comparabili tra il modello radiomico handcrafted (Radiomics-TSMCR) e il modello di deep learning a livello di immagine (ResNet18-TSMCR) suggeriscono che la strategia TSMCR è applicabile sia alle rappresentazioni basate su caratteristiche che a quelle basate su immagini. Inoltre, i contributi bilanciati di SHAP supportano la premessa che BUS e CEUS forniscano informazioni diagnostiche complementari. Gli autori concludono che, sebbene il modello mostri una forte discriminazione, i suoi attuali limiti — specificamente la mancanza di validazione esterna e la calibrazione imperfetta — rendono necessario considerarlo uno strumento di classificazione del rischio che richiede una successiva validazione prospettica multicentrica prima del dispiegamento clinico come stimatore di probabilità assoluta.