Development and validation of a knowledge-guided prognostic model in glioma based on hypoxia-related radiomic features

I tumori cerebrali noti come gliomi sono tra le malattie più difficili da trattare. Emergono dalle cellule di supporto del sistema nervoso centrale e sono famosi per la loro capacità di cambiare e adattarsi, il che li rende difficili da prevedere o controllare. Un fattore critico nel modo in cui questi tumori si comportano è una condizione chiamata ipossia, che semplicemente significa una mancanza di ossigeno. Quando un tumore cresce troppo velocemente perché il suo apporto di sangue riesca a stare al passo, le cellule interne iniziano a soffocare. Questa carenza di ossigeno non è solo uno stato passivo; agisce come un potente motore che rende il cancro più aggressivo, aiuta a resistere ai trattamenti e spesso porta a un esito peggiore per il paziente. Per decenni, i medici hanno lottato per misurare questa deprivazione di ossigeno senza interventi chirurgici invasivi, lasciando che intuissero la vera natura della malattia all'interno della testa di un paziente.

I ricercatori speravano da tempo che le immagini mediche potessero fornire una finestra su questa biologia nascosta. Il campo della radiomica tenta di fare esattamente questo, usando i computer per trovare modelli nelle scansioni MRI standard che sono troppo sottili per l'occhio umano. Tuttavia, molti tentativi precedenti di collegare questi modelli d'immagine alla sopravvivenza dei pazienti sono stati un successo o un fallimento, spesso perché i computer venivano lasciati a trovare modelli da soli senza alcuna guida biologica. Un nuovo studio di un team della Soochow University e degli ospedali affiliati in Cina mira a cambiare questo approccio. Invece di lasciare che il computer indovini, hanno costruito un modello che utilizza ciò che gli scienziati già sanno su come i tumori reagiscono al basso livello di ossigeno per guidare la ricerca. Combinando questa conoscenza biologica con l'analisi avanzata delle immagini, hanno creato uno strumento in grado di prevedere quanto tempo un paziente con glioma sia probabilmente destinato a vivere, offrendo un percorso più chiaro verso una cura personalizzata.

Il team ha iniziato raccogliendo dati da 471 pazienti provenienti da due ospedali diversi e da un database pubblico. Si sono concentrati su pazienti che si erano sottoposti a chirurgia e che avevano scansioni MRI pre-operatorie eseguite con macchine ad alta potenza. Queste scansioni includevano tre tipi diversi di immagini: viste standard in bianco e nero, immagini che evidenziano i fluidi e immagini acquisite dopo l'iniezione di un mezzo di contrasto per mostrare dove i vasi sanguigni fossero attivi. Prima che il computer potesse analizzare le immagini, due radiologi esperti con anni di esperienza hanno disegnato con cura i contorni attorno ai tumori e all'edema che li circonda su ogni sezione della scansione. Ciò ha garantito che il computer guardasse esattamente le stesse aree in ogni paziente.

Per insegnare al computer come appare l' "ipossia" in un tumore, i ricercatori si sono rivolti innanzitutto a un database di informazioni genetiche. Hanno analizzato i geni di campioni tumorali di 152 pazienti per calcolare un punteggio che rappresentasse quanto il tumore stesse lottando contro la mancanza di ossigeno. Questo punteggio genetico fungeva da verità di base (ground truth), la realtà biologica contro la quale le immagini sarebbero state testate. Hanno poi utilizzato un algoritmo informatico per estrarre migliaia di dettagli minuscoli dalle scansioni MRI, come la texture del tumore, la sua forma e l'intensità dei pixel. L'obiettivo era trovare quali di questi migliaia di dettagli d'immagine corrispondessero ai segni genetici di bassa ossigenazione.

I ricercatori hanno poi applicato una strategia unica per costruire il loro modello di previsione. Hanno diviso i dettagli dell'immagine in due gruppi: quelli che probabilmente erano correlati alla bassa ossigeno e quelli che non lo erano. Quando hanno addestrato il computer a prevedere la sopravvivenza del paziente, hanno dato al gruppo "bassa ossigeno" un vantaggio speciale, dicendo al modello di prestare un'attenzione extra a queste specifiche caratteristiche. Questo approccio guidato dalla conoscenza significava che il modello non stava solo cercando qualsiasi modello che potesse correlarsi con la sopravvivenza, ma stava cercando specificamente modelli che avessero senso biologico. Hanno testato cinque diversi tipi di metodi di apprendimento computazionale per vedere quale funzionasse meglio nell'identificare lo stato di ossigenazione dei tumori, ed è emersa come la più accurata una regressione logistica, un metodo statistico standard.

I risultati hanno dimostrato che questo nuovo modello funzionava in modo straordinario. Quando i ricercatori hanno usato il modello per dividere i pazienti in gruppi ad alto rischio e a basso rischio, la differenza nei loro esiti di sopravvivenza è stata netta. I pazienti nel gruppo ad alto rischio, i cui tumori mostravano i pattern d'immagine specifici legati alla bassa ossigeno, vivevano vite significativamente più brevi rispetto a quelli nel gruppo a basso rischio. Il modello è stato in grado di prevedere la sopravvivenza con alta precisione, identificando correttamente gli esiti con tre anni di anticipo nella stragrande maggioranza dei casi. In un centro ospedaliero, il modello ha raggiunto un AUC di 0,926 per la sopravvivenza a tre anni e, nel secondo centro, ha raggiunto un AUC di 0,833. Questi numeri sono rimasti validi anche quando il modello è stato testato su gruppi di pazienti completamente diversi, suggerendo che non si trattasse solo di un colpo di fortuna su un singolo set di dati.

Oltre a prevedere la sopravvivenza, lo studio ha offerto uno sguardo più profondo sul perché questi tumori siano così pericolosi. I ricercatori hanno scoperto che i tumori ad alto rischio, identificati dai pattern d'immagine, erano biologicamente distinti. Erano pieni di un tipo specifico di cellula chiamata fibroblasto stromale, che aiuta a costruire l'impalcatura strutturale del tumore. Questo ambiente denso probabilmente rende più difficile per il sistema immunitario combattere il cancro e più difficile per i farmaci raggiungere le cellule tumorali. I modelli d'immagine correlavano fortemente anche con i marcatori del sistema immunitario, suggerendo che il modo in cui un tumore appare in una MRI è un riflesso diretto della complessa battaglia che avviene al suo interno tra il cancro e le difese del corpo.

Lo studio ha inoltre evidenziato i limiti del proprio lavoro. I ricercatori hanno notato che il processo di disegno manuale dei contorni del tumore era molto dispendioso in termini di tempo per i medici e che lo studio si basava su scansioni MRI standard piuttosto che su tecniche di imaging più avanzate e specializzate. Hanno anche sottolineato che, sebbene il modello si fosse comportato bene, era costruito su dati passati e che studi futuri avrebbero dovuto testarlo in contesti clinici in tempo reale per vedere se potesse realmente guidare le decisioni terapeutiche. Nonostante queste avvertenze, i risultati suggeriscono che, insegnando ai computer a cercare i giusti indizi biologici, i medici potrebbero presto avere un modo non invasivo per comprendere l'aggressività nascosta di un tumore cerebrale. Ciò potrebbe consentire loro di personalizzare i trattamenti in modo più preciso, concentrandosi sui pazienti che necessitano delle cure più aggressive e risparmiando altri da tossicità non necessarie. Il lavoro rappresenta un passo verso un futuro in cui l'immagine di un tumore racconta una storia completa, non solo della sua dimensione, ma della sua biologia e del suo probabile destino.