Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

Sintesi Tecnica: Nomogramma Combinato per la Predizione degli Esiti della Radiochimioterapia Neoadiuvante nel Carcinoma Rettale

Definizione del Problema
La previsione accurata degli esiti della radiochimioterapia neoadiuvante (nCRT) nel carcinoma rettale (RC) localmente avanzato è fondamentale per determinare le successive strategie terapeutiche, come il protocollo "watch and wait" (osservazione e attesa) per i risponditori completi o l'intervento chirurgico tempestivo per i non risponditori. Gli attuali metodi di valutazione, tra cui l'esame patologico (invasivo e limitato dal campionamento), l'esame obiettivo rettale (soggettivo e incapace di quantificare la profondità) e i marcatori tumorali sierici come il CEA (inefficace per i non secretori), mancano delle capacità non invasive, accurate e personalizzate richieste per il processo decisionale clinico. Inoltre, le lesioni post-nCRT spesso presentano edema, fibrosi e infiammazione, complicando la valutazione tramite la sola RM standard. Questo studio affronta la necessità di uno strumento predittivo robusto e non invasivo che integri dati di imaging e clinici per prevedere l'efficacia della nCRT.

Metodologia
Lo studio ha utilizzato una coorte retrospettiva di 292 pazienti con carcinoma rettale (230 nel set di addestramento, 62 nel set di validazione) sottoposti a RM pesata in T2 pre-nCRT e successiva escissione totale del mesoretto (TME). L'esito è stato definito dalla gradazione della regressione tumorale patologica (TRG), categorizzando i pazienti in risponditori (TRG1/2) e non risponditori (TRG3).

La metodologia ha previsto un approccio di modellazione multi-step:

1. Pre-elaborazione e Annotazione delle Immagini: Le immagini RM sono state sottoposte a correzione del campo di bias N4, ricampionamento a voxel isotropi di 1 mm³ e segmentazione manuale delle regioni intra-tumorali e peri-tumorali da parte di radiologi esperti utilizzando ITK-SNAP.
2. Sviluppo del Modello Radiomico: Sono state estratte 1.561 caratteristiche radiomiche (forma, statistiche del primo ordine e texture) utilizzando PyRadiomics. Le caratteristiche sono state filtrate per affidabilità inter-osservatore (ICC > 0,80), multicollinearità (|r| ≥ 0,95) e selezionate tramite regressione LASSO. Sono stati costruiti due modelli: uno utilizzando solo le regioni intra-tumorali (Rad-Tumor) e uno combinando le regioni intra- e peri-tumorali (Rad-Tumor+Peri).
3. Sviluppo del Modello di Deep Learning (DL): Una rete neurale convoluzionale ResNet50 è stata addestrata sulle stesse regioni segmentate. È stata applicata l'aumento dei dati (rotazione, traslazione, scala, flipping) per aumentare la dimensione del campione di addestramento di otto volte. Similmente alla radiomica, sono stati costruiti due modelli DL: DL-Tumor e DL-Tumor+Peri.
4. Selezione delle Variabili Cliniche: I fattori clinici (dati demografici, stadiazione MRI, biomarcatori sierici) sono stati esaminati tramite regressione univariata e multivariata. Solo l'invasione vascolare extramorale (EMVI) e la localizzazione del tumore sono state mantenute come predittori significativi.
5. Costruzione del Nomogramma: Un nomogramma combinato è stato sviluppato integrando il Radscore (derivato da Rad-Tumor+Peri), il DLscore (derivato da DL-Tumor+Peri) e le variabili cliniche selezionate (EMVI, Localizzazione del Tumore).

Contributi Chiave

• Integrazione delle Regioni Peri-tumorali: Lo studio dimostra che l'inclusione delle caratteristiche del tessuto adiposo peri-tumorale migliora significativamente le prestazioni predittive rispetto ai modelli basati solo sul tumore, sia per gli approcci radiomici che per quelli di deep learning.
• Strategia di Modellazione Ibrida: Il documento introduce un nomogramma che sinergizza caratteristiche di deep learning ad alta dimensionalità, firme radiomiche statistiche e specifici fattori di rischio clinici, anziché fare affidamento su una singola modalità.
• Analisi Comparativa: Fornisce un confronto diretto delle prestazioni tra radiomica tradizionale, deep learning e la loro applicazione combinata all'interno di un singolo framework clinico.

Risultati

• Performance del Modello: Nel dataset di validazione, il nomogramma combinato ha raggiunto la massima accuratezza predittiva con un'Area Sotto la Curva (AUC) di 0,921 (95% CI, 0,824–0,974). Questo è stato significativamente superiore al modello standalone DL-Tumor+Peri (AUC 0,845) e al modello Rad-Tumor+Peri (AUC 0,739) (tutti i p-value < 0,05).
• Impatto delle Caratteristiche Peri-tumorali: L'incorporazione delle regioni peri-tumorali ha migliorato l'AUC sia per il modello radiomico (da 0,666 a 0,739) che per il modello di deep learning (da 0,817 a 0,845) nel set di validazione.
• Utilità Clinica: L'analisi della curva decisionale (DCA) ha indicato che il nomogramma ha fornito un beneficio netto superiore nella maggior parte delle probabilità di soglia rispetto agli altri modelli. Le curve di calibrazione e il test di Hosmer–Lemeshow hanno confermato una buona coerenza tra le probabilità predette e gli esiti reali.
• Fattori Clinici Specifici: L'analisi multivariata ha identificato l'EMVI e la localizzazione del tumore come gli unici predittori clinici significativi tra i 13 fattori inizialmente raccolti.

Significatività e Rivendicazioni
Gli autori affermano che il nomogramma sviluppato funge da efficace strumento non invasivo per predire gli esiti della nCRT post-operatoria nei pazienti con carcinoma rettale. Integrando le caratteristiche di deep learning, le firme radiomiche e le variabili cliniche, il modello offre prestazioni diagnostiche superiori rispetto agli approcci a singola modalità. Lo studio sostiene che questo strumento può assistere i clinici nella personalizzazione delle strategie terapeutiche, potenzialmente risparmiando ai pazienti effetti collaterali non necessari di terapie inefficaci o prevenendo la progressione del tumore attraverso l'identificazione precoce dei non risponditori. Gli autori riconoscono i limiti, tra cui la natura retrospettiva e monocentrica dello studio e la complessità dei metodi computazionali, suggerendo che una validazione esterna sia necessaria per confermarne la robustezza.