Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

Nel percorso attraverso il trattamento del tumore al seno, una delle decisioni più critiche avviene prima della prima incisione: determinare se il cancro si sia diffuso ai linfonodi vicini. Questi piccoli organi a forma di fagiolo agiscono come la prima linea di difesa del corpo, filtrando i fluidi dal seno. Se le cellule cancerose vi sono giunte, il piano chirurgico cambia significamente. Tradizionalmente, i medici devono eseguire una biopsia del linfonodo sentinella, una procedura in cui un chirurgo rimuove un linfonodo specifico per controllare la presenza di cancro al microscopio. Sebbene efficace, questo è un passaggio invasivo che comporta rischi di gonfiore e fastidio, e non è sempre perfetto; a volte, il test manca il cancro, e altre volte, porta a interventi chirurgici non necessari per pazienti il cui cancro non si è diffuso. Per decenni, i ricercatori hanno cercato un modo per prevedere questa diffusione utilizzando strumenti non invasivi, sperando di risparmiare ai pazienti procedure di cui non hanno bisogno. L'ecografia, una tecnica di imaging comune che utilizza onde sonore per creare immagini del corpo, è da tempo uno strumento standard per osservare i noduli mammari, ma la sua capacità di vedere l'invisibile diffusione delle cellule cancerose è stata limitata dalla capacità dell'occhio umano di interpretare le immagini.

Un team di ricercatori di due ospedali in Cina ha adottato un nuovo approccio a questo vecchio problema, insegnando a un computer a vedere schemi nelle immagini ecografiche che l'occhio umano potrebbe perdere. Si sono concentrati su un tipo specifico di tumore al seno chiamato tumore al seno invasivo, in cui il tumore ha il potenziale di rompere il tessuto mammario e viaggiare verso i linfonodi. Il team ha raccolto immagini ecografiche di tumori da 246 pazienti, tutti i quali avevano subito un intervento chirurgico per confermare se i loro linfonodi contenessero il cancro. Hanno diviso questi pazienti in due gruppi: un gruppo proveniente da un ospedale di Guangzhou per istruire il computer, e un gruppo separato proveniente da un ospedale diverso per testare se il computer potesse applicare ciò che ha imparato a nuovi pazienti mai visti prima. Il computer non ha guardato le immagini come farebbe un radiologo, notando la forma o la luminosità del tumore. Invece, ha utilizzato un sistema di deep learning, un tipo di intelligenza artificiale, per scomporre le immagini in migliaia di minuscoli dettagli matematici. Il sistema ha poi utilizzato un algoritmo decisionale per trovare la combinazione specifica di questi dettagli che meglio predicesse se il cancro avesse raggiunto i linfonodi.

I risultati di questo studio mostrano che il modello informatico ha raggiunto un livello moderato di successo nel compiere queste previsioni. Quando testato sul gruppo di pazienti utilizzato per addestrare il sistema, il modello ha ottenuto un AUC di 0,73. Quando i ricercatori hanno testato lo stesso modello sul gruppo indipendente di pazienti del secondo ospedale, le prestazioni sono rimaste coerenti, con il modello che ha raggiunto un AUC di 0,74. Questa coerenza tra due diversi ospedali, che utilizzavano diverse macchine ecografiche, suggerisce che il computer abbia appreso un vero schema piuttosto che aver semplicemente memorizzato le immagini specifiche che gli sono state mostrate. Tuttavia, il modello non è una sfera di cristallo perfetta. Nel gruppo di test del secondo ospedale, il modello è stato molto bravo a identificare correttamente i pazienti che non presentavano diffusione del cancro, con un tasso di successo di circa l'84 percento. Questa è una scoperta preziosa perché significa che lo strumento potrebbe potenzialmente aiutare i medici a sentirsi più sicuri nello saltare la biopsia invasiva per certi pazienti a basso rischio.

Tuttavia, lo studio evidenzia anche dove lo strumento mostra i suoi limiti. Il modello è stato meno efficace nel catturare ogni singolo caso in cui il cancro si era diffuso, identificando correttamente tali casi solo circa il 65 percento delle volte. Poiché ha mancato alcuni casi di diffusione, i ricercatori sottolineano che questo strumento non può sostituire da solo la procedura standard di biopsia. Se un medico si fosse affidato esclusivamente a questa previsione informatica per escludere la diffusione del cancro, potrebbe erroneamente mandare a casa alcuni pazienti senza il trattamento necessario. Gli autori descrivono il modello come un assistente utile piuttosto che un sostituto, uno strumento che potrebbe aggiungere un ulteriore livello di informazione al processo decisionale. Notano inoltre che lo studio è stato retrospettivo, il che significa che ha analizzato dati che erano già stati raccolti, e che il numero di pazienti era relativamente piccolo. I ricercatori evidenziano anche che il computer non è stato istruito per spiegare perché abbia preso una determinata decisione, una sfida comune con questo tipo di intelligenza artificiale avanzata.

La strada da seguire, secondo gli autori, prevede il test di questo strumento su gruppi di pazienti molto più ampi in futuro. Suggeriscono che, prima che questa tecnologia possa essere utilizzata nelle cliniche quotidiane, debba essere dimostrata in studi prospettici, in cui i pazienti vengono seguiti nel tempo per vedere se le previsioni reggono nella pratica del mondo reale. L'obiettivo è vedere se combinare questa analisi informatica con altre informazioni standard, come la dimensione del tumore o l'età del paziente, possa migliorare ulteriormente l'accuratezza. Per ora, lo studio offre uno sguardo promettente verso un futuro in cui l'intelligenza artificiale potrebbe aiutare i medici a prendere decisioni più personalizzate, potenzialmente risparmiando ad alcune donne interventi chirurgici non necessari pur garantendo che quelle che ne hanno bisogno li ricevano. Il lavoro dimostra che, sebbene la tecnologia non sia ancora pronta per l'uso su larga scala, ha superato la fase teorica e ha mostrato un potenziale reale e misurabile in un contesto clinico.