Radiomics and Deep Learning Features Based on 18F-FDG PET/CT for Predicting Occult Lymph Node Metastasis in Non-small Cell Lung Cancer

Immagina di essere un detective che cerca di risolvere un mistero all'interno di una città frenetica. La città è un corpo umano, e i "criminali" sono piccoli gruppi nascosti di cellule cancerose che sono scappati dal tumore principale e si nascondono nei linfonodi — piccoli filtri a forma di fagiolo che fungono da posti di blocco di sicurezza in tutto il corpo. Nel mondo del tumore al polmone, trovare questi criminali furtivi prima dell'intervento chirurgico è una sfida enorme. Le telecamere standard, come le scansioni PET/CT utilizzate dai medici, sono ottime nel individuare i malfattori grandi e ovvi, ma spesso mancano i più subdoli e microscopici. È come cercare di trovare un singolo ago in un pagliaio usando una torcia; a volte l'ago è troppo piccolo per far riflettere la luce.

Per risolvere questo problema, gli scienziati hanno sviluppato due nuovi strumenti da super-investigatore. Il primo si chiama Radiomica, ed è come scattare una foto ad alta risoluzione del tumore e poi usare un computer per misurare migliaia di minuscoli dettagli — quanto è rugosa la sua trama, come sono distribuiti i colori e come si snoda la sua forma. È come analizzare la venatura del legno per indovinare di che tipo di albero si tratti, anche se non si vede l'albero intero. Il secondo strumento è il Deep Learning, un tipo di intelligenza artificiale che agisce come un apprendista super osservatore che ha studiato milioni di immagini. Invece di limitarsi a misurare le forme, questa IA osserva l'immagine nel suo insieme e impara a individuare schemi complessi che l'occhio umano (e persino i computer standard) potrebbero mancare. La grande domanda che questo articolo pone è: se combinassimo i dettagli misurabili della Radiomica, il cervello capace di individuare schemi del Deep Learning e la storia medica del paziente, potremmo creare un "super-detective" capace di trovare queste spie del cancro prima ancora che inizi l'intervento chirurgico?

---

La storia del documento: Costruire l'ultimo detective del cancro

In questo studio, un team di ricercatori provenienti da ospedali di Ningbo e Suzhou, Cina, ha deciso di costruire questo "super-detective" per prevedere la Metastasi Linfonodale Occulta (OLM). "Occulta" è solo un termine medico elegante per dire "nascosta". Si tratta di casi in cui i linfonodi di un paziente appaiono perfettamente normali in una scansione, ma quando il chirurgo li rimuove durante l'intervento, trova cellule cancerose all'interno. Questa è una situazione complicata perché, se i medici non sanno che il cancro si è diffuso, potrebbero non rimuovere abbastanza tessuto, oppure potrebbero rimuoverne troppo, causando danni non necessari.

Il team ha raccolto i dati di 490 pazienti affetti da un tipo specifico di tumore al polmone chiamato tumore del polmone non a piccole cellule (NSCLC). Questi pazienti avevano tumori che apparivano piccoli e localizzati nelle loro scansioni, ma i ricercatori volevano sapere se qualcuno di loro fosse già infiltrato nei linfonodi. Hanno diviso questi pazienti in gruppi: un grande gruppo di "addestramento" per insegnare ai loro modelli informatici, e gruppi di "test" più piccoli per vedere se i modelli potevano risolvere il mistero da soli senza barare.

Come hanno addestrato l'IA:
Per prima cosa, hanno preso le scansioni PET/CT e hanno delineato manualmente i tumori. Poi, hanno inserito questi dati in due sistemi diversi:

1. Il sistema di Radiomica: Questo ha estratto oltre 3.000 minuscole caratteristiche dalle immagini, descrivendo tutto, dalla forma del tumore alle piccole variazioni nel modo in cui assorbiva lo zucchero radioattivo usato nella scansione.
2. Il sistema di Deep Learning: Hanno utilizzato un'intelligenza artificiale pre-addestrata (specificamente una rete chiamata ResNet50) che aveva già imparato a riconoscere oggetti in milioni di foto comuni. Hanno mostrato alla rete delle fette del tumore e l'IA ha estratto i propri schemi nascosti.

Hanno anche esaminato le "statistiche vitali" dei pazienti, come l'età, se fumavano, i risultati degli esami del sangue (specificamente un marcatore chiamato CEA) e le dimensioni del tumore.

Il Grande Esperimento:
I ricercatori hanno costruito sette diversi team di detective (modelli) per vedere quale fosse il migliore:

• Team che utilizzavano solo la storia clinica del paziente.
• Team che utilizzavano solo i dettagli della Radiomica.
• Team che utilizzavano solo gli schemi del Deep Learning.
• E infine, il team "All-Star" che combinava Deep Learning + Radiomica + Dati Clinici.

Cosa hanno scoperto:
I risultati sono stati chiari. Il team "All-Star", che gli autori chiamano il modello DLRC (Deep Learning-Radiomics-Clinical), è stato l'indiscusso campione.

• Nel gruppo di test interno, ha identificato correttamente il cancro nascosto l'89% delle volte (un punteggio AUC di 0,890).
• Nel gruppo di test esterno (pazienti di un ospedale diverso), è rimasto incredibilmente accurato, riuscendo a indovinare l'87,2% delle volte (AUC 0,872).
• Questo era molto meglio di qualsiasi singolo metodo utilizzato da solo. È come avere un detective che sa leggere le impronte digitali e vedere le impronte dei piedi e conoscere le abitudini del sospettato, piuttosto che possedere solo una di queste abilità.

Lo studio ha anche utilizzato uno strumento di mappa termica speciale chiamato Grad-CAM per vedere cosa stesse effettivamente guardando l'IA. È emerso che l'IA si stava concentrando sul nucleo del tumore, confermando che gli indizi più importanti erano nascosti proprio al centro della massa.

Perché è importante per il futuro:
I ricercatori non si sono limitati a trovare il cancro; hanno anche controllato se il loro "punteggio di rischio" fosse rilevante per la vita dei pazienti. Hanno scoperto che i pazienti etichettati dal modello come "ad alto rischio" (ovvero l'IA sospettava un cancro nascosto) avevano in realtà tassi di sopravvivenza peggiori ed erano più propensi a una recidiva del cancro rispetto a quelli etichettati come "a basso rischio".

Ciò suggerisce che, in futuro, i medici potrebbero usare questo strumento per prendere decisioni più intelligenti. Se il modello indica un paziente come "a basso rischio", potrebbero evitare un intervento chirurgico massiccio e invasivo per rimuovere tutti i linfonodi, risparmiando al paziente effetti collaterali non necessari. Se il modello indica un paziente "ad alto rischio", i medici sanno di dover essere extra meticolosi, rimuovendo più tessuto e pianificando immediatamente trattamenti di follow-up più intensi.

L'Attenzione:
Sebbene i risultati siano entusiasmanti, gli autori ricordano con cautela che si è trattato di uno studio retrospettivo, il che significa che hanno esaminato dati vecchi invece di testare lo strumento su nuovi pazienti in tempo reale. Hanno anche notato che il loro modello è stato addestrato su tipi specifici di tumore al polmone (adenocarcinoma e carcinoma squamoso) e potrebbe necessitare di ulteriori test per vedere se funziona per altri tipi. Tuttavia, lo studio suggerisce fortemente che combinare la conoscenza medica umana con i superpoteri dell'IA e l'analisi dettagliata delle immagini sia una strada promettente per catturare le minacce invisibili del tumore al polmone.