Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
Questo studio multicentrico dimostra che un modello di radiomica basato sul deep learning e sulla mammografia, utilizzando l'architettura Visformer, può prevedere in modo non invasivo e affidabile sia lo stato HER2-positivo rispetto a HER2-negativo, sia lo stato HER2-low rispetto a HER2-zero nelle pazienti affette da cancro al seno.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il tumore al seno rimane la neoplasia più comune che colpisce le donne a livello globale, una malattia in cui la specifica composizione biologica di un tumore detta la strada da seguire per il trattamento. Tra i molti marcatori che i medici esaminano per comprendere un tumore, uno chiamato HER2 è particolarmente critico. In circa un caso su cinque tra i nuovi casi diagnosticati, le cellule tumorali presentano un'abbondanza di questa proteina, una condizione nota come HER2-positiva. Questi tumori tendono a crescere in modo più aggressivo, ma rispondono bene anche a specifiche terapie mirate progettate per attaccare quella proteina. Per decenni, l'approccio standard per identificare questi tumori è stato quello di prelevare un piccolo campione di tessuto, noto come biopsia, ed esaminarlo al microscopio. Tuttavia, una nuova categoria è emersa recentemente nella comprensione medica: l'HER2-low (HER2-basso). Questi tumori non hanno abbastanza proteina per essere definiti positivi, eppure ne possiedono quel tanto che basta per rispondere potenzialmente a una nuova generazione di potenti farmaci. Distinguere tra i tumori che non hanno affatto HER2 e quelli che ne hanno un po' è ora una questione clinica vitale, ma il metodo tradizionale di test si basa su procedure invasive che possono talvolta mancare il bersaglio a causa della distribuzione non uniforme delle cellule all'interno di un tumore.
Un team di ricercatori ha deciso di vedere se un approccio diverso, non invasivo, potesse risolvere questo problema. Si sono rivolti alla mammografia, lo standard di imaging a raggi X utilizzato per lo screening del tumore al seno, che è ampiamente disponibile e familiare alla maggior parte delle donne. Inveve di fare affidamento esclusivamente sull'ispezione visiva di un radiologo sull'immagine, il team ha applicato una tecnica chiamata deep learning radiomics. Questo processo prevede l'immissione delle immagini mammografiche digitali in un sistema informatico capace di rilevare schemi e texture sottili che sono troppo fini per l'occhio umano. I ricercatori volevano sapere se queste firme digitali nascoste potessero predire lo stato HER2 del tumore prima che venisse eseguito qualsiasi intervento chirurgico o biopsia. Si sono concentrati su due sfide specifiche: prima, distinguere i tumori che sono HER2-positivi da quelli che non lo sono, e seconda, separare il gruppo HER2-low, recentemente importante, da quelli con espressione HER2 nulla.
Per testare la loro idea, i ricercatori hanno raccolto dati da 546 donne con tumore al seno confermato in due diversi centri medici. Hanno diviso le pazienti in gruppi per addestrare i loro modelli informatici e poi per testarli, assicurandosi che i risultati non fossero solo un colpo di fortuna su un singolo set di dati. Il sistema informatico ha analato le mammografie, estraendo migliaia di minuscoli dettagli numerici sulla forma, la texture e la densità dei tumori. Combinando le predizioni di diversi modelli matematici, il team ha creato uno strumento unico e robusto progettato per prendere la decisione finale. I risultati hanno mostrato che questo approccio digitale poteva effettivamente "vedere" la differenza. Nel tentativo di distinguere i tumori HER2-positivi dal resto, il modello ha operato con un alto grado di accuratezza nei suoi test iniziali e, sebbene le sue prestazioni siano diminuite leggermente quando testato su un gruppo completamente nuovo di pazienti di un ospedale diverso, ha comunque mantenuto una capacità affidabile di distinguere i gruppi.
I risultati sono stati ancora più incoraggianti quando il team si è concentrato sul compito difficile di separare i tumori HER2-low da quelli con HER2 assente. Nella fase iniziale di addestramento, il modello è stato molto efficace e ha mantenuto una posizione ragionevolmente solida quando applicato al gruppo esterno di pazienti. Lo studio ha anche esaminato i fattori tradizionali che i medici usano per valutare il rischio, come la dimensione del tumore, l'età della paziente e la densità del tessuto mammario. Hanno confermato che certe caratteristiche, come un alto grado di cellule tumorali e un rapido tasso di divisione cellulare, erano fortemente legate allo stato HER2-positivo. Allo stesso modo, hanno scoperto che lo stato dei recettori ormonali e la densità mammaria giocavano un ruolo nell'identificare l'HER2-low. Tuttavia, la capacità del modello informatico di predire questi stati direttamente dalle immagini a raggi X ha offerto un nuovo livello di approfondimento che non dipendeva solo da queste altre variabili.
I ricercatori hanno riconosciuto che il loro lavoro ha dei limiti. Poiché lo studio ha esaminato record passati di pazienti anziché seguire nuovi pazienti nel tempo, esiste la possibilità che la selezione dei dati abbia introdotto un bias. Anche la delimitazione manuale delle aree tumorali sulle radiografie da parte di radiologi umani significa che il processo non è ancora completamente automatizzato. Inoltre, il numero di pazienti, pur essendo sostanziale, non era abbastanza grande da garantire che i risultati sarebbero rimasti validi per ogni possibile scenario. Nonostante queste limitazioni, lo studio suggerisce che la mammografia, spesso vista semplicemente come uno strumento per trovare il cancro, potrebbe anche servire come una potente finestra sulla natura molecolare della malattia. Offrendo un modo non invasivo per stimare lo stato HER la, questo approccio potrebbe un giorno aiutare i medici a prendere decisioni più informate sui piani di trattamento, riducendo potenzialmente la necessità di biopsie ripetute e garantendo che i pazienti ricevano prima le giuste terapie mirate. Il lavoro non pretende di sostituire l'attuale gold standard dei test tissutali, ma punta verso un futuro in cui l'imaging e l'intelligenza artificiale lavorano insieme per fornire un quadro più chiaro e completo della malattia prima che venga mai utilizzata un singolo ago.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.