Association of clinicopathological features with spread through air spaces in non-small cell lung cancer: a retrospective machine-learning study
Questo studio retrospettivo di machine learning che utilizza 19 caratteristiche clinicopatologiche ha rilevato che, sebbene i dati disponibili possiedano un segnale discriminatorio moderato per la previsione della diffusione negli spazi aerei (STAS) nel carcinoma polmonare non a piccole cellule, il modello risultante è più adatto come strumento esplorativo di associazione piuttosto che come ausilio decisionale clinico preoperatorio a causa della tempistica post-resezione dei predittori chiave e di una calibrazione subottimale.
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
Nel complesso panorama del trattamento del tumore al polmone, i chirurghi affrontano una decisione critica ogni volta che operano: quanto tessuto rimuovere. L'obiettivo è estirpare completamente il tumore preservando al contempo la maggiore quantità possibile di polmone sano, ma la scelta ha un peso. Se viene rimosso troppo poco, il cancro potrebbe tornare; se viene rimosso troppo, la qualità della vita del paziente ne risente. Per decenni, i medici si sono affidati alle dimensioni e all'aspetto del tumore per prendere questa decisione. Tuttavia, un particolare modello di comportamento del cancro, noto come "diffusione attraverso gli spazi aerei" (spread through air spaces), è emerso come una minaccia nascosta. Questo schema si verifica quando le cellule cancerose si staccano dalla massa tumorale principale e fluttuano attraverso i minuscoli sacchi d'aria del polmone, stabilendosi in aree che appaiono sane a occhio nudo. Quando ciò accade, il cancro ha maggiori probabilità di tornare dopo l'intervento, anche se il chirurgo pensava di aver rimosso tutto. Il problema è che i medici possono confermare questo schema pericoloso solo dopo che il polmone è stato rimosso ed esaminato al microscopio, un momento in cui la decisione su quanto tagliare è già stata presa.
Un team di ricercatori in Russia si è dato come obiettivo vedere se fosse possibile prevedere questo pericolo nascosto prima che l'intervento chirurgico abbia inizio. Hanno raccolto i dati di 230 pazienti che avevano subito un intervento chirurgico per il tumore al polmone non a piccole cellule, un tipo comune della malattia. Il team ha utilizzato un sofisticato programma informatico, un tipo di intelligenza artificiale progettata per apprendere da dati strutturati, per analizzare una vasta gamma di informazioni su ogni paziente. Queste informazioni includevano l'età del paziente, il tipo specifico di cellule cancerose riscontrate, le dimensioni del tumore e se il cancro avesse invaso vasi sanguigni o nervi. Fondamentalmente, delle 19 variabili analizzate dal computer, solo l'età era un dato noto prima dell'operazione; 11 delle caratteristiche erano in realtà caratteristiche postoperatorie che potevano essere determinate solo dopo che il tessuto era stato rimosso ed esaminato. Il computer è stato addestrato per cercare connessioni tra questi fattori e la presenza del modello di "diffusione attraverso gli spazi aerei", che è stato confermato in 81 dei pazienti ed assente negli altri 149.
I ricercatori hanno scoperto che il computer poteva effettivamente individuare un segnale nei dati. È stato in grado di distinguere tra i pazienti con la pericolosa diffusione e quelli senza meglio del caso, in modo migliore rispetto a una scelta casuale. Tuttavia, il segnale non era abbastanza forte da essere una vera e propria palla di cristallo affidabile. Il modello identificava correttamente la presenza della diffusione in poco più della metà dei casi in cui era effettivamente presente, mentre riusciva a escluderla correttamente in quasi quattro casi su cinque in cui era assente. Più importante ancora, i ricercatori si sono resi conto di un difetto fondamentale nel tentativo di utilizzare questo specifico insieme di informazioni per decisioni pre-operatorie: molti degli indizi che il computer utilizza, come la dimensione esatta dell'invasione del tumore o se abbia invaso un nervo, sono noti solo dopo che il chirurgo ha già rimosso il tessuto. Non si può conoscere la dimensione dell'invasione di un tumore in un vaso sanguigno prima di aver rimosso il tumore e averlo esaminato al microscopio.
A causa di questo problema di tempistica, gli autori hanno concluso che il loro modello non può essere utilizzato come strumento per guidare il bisturi di un chirurgo prima dell'operazione. Il modello sta essenzialmente guardando la chiave di correzione mentre cerca di indovinare la domanda. Sebbene il computer abbia dimostrato di poter apprendere la relazione tra le caratteristiche del paziente e il comportamento del cancro, l'accuratezza non era sufficientemente alta da poter essere affidata, da sola, a decisioni di vita o di morte. Lo studio funge da mappa chiara di ciò che è attualmente possibile con le cartelle cliniche standard, mostrando che, sebbene esista un legame misurabile tra queste caratteristiche e la diffusione del cancro, il legame è troppo debole e troppo dipendente da fatti post-operatori per essere utile in sala operatoria. I ricercatori suggeriscono che il passo successivo sia combinare questi indizi esistenti con nuove informazioni che possano essere raccolte prima dell'intervento, come immagini dettagliate da scansioni o test molecolari, per costruire uno strumento che possa un giorno aiutare i chirurghi a fare scelte migliori. Per ora, lo studio rappresenta una valutazione attenta e onesta dei limiti dei dati attuali, dimostrando che, sebbene i pezzi del puzzle siano presenti, essi non formano ancora un quadro completo che possa essere utilizzato per prevedere il futuro del cancro di un paziente.
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.