CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

Il tumore al colon è una malattia in cui la capacità del corpo di prevedere il futuro è spesso incerta quanto il percorso stesso della malattia. Attualmente, i medici si affidano a un sistema chiamato stadiazione per ipotizzare come si comporterà un tumore. Questo sistema suddivide il cancro in gruppi basati su quanto sia profondo lo sviluppo del tumore e se si sia diffuso ai linfonodi vicini. Sebbene questo metodo sia lo standard per decidere il trattamento, non è perfetto. Due pazienti con lo stesso stadio possono avere esiti molto diversi: uno potrebbe guarire con la sola chirurgia, mentre l'altro potrebbe vedere il cancro tornare entro cinque anni. Questa incertezza lascia i medici in difficoltà nel dover scegliere il trattamento corretto prima ancora che il paziente venga sottoposto a un intervento chirurgico. L'obiettivo della medicina moderna è trovare un modo per guardare all'interno della biologia del tumore senza aprirlo, utilizzando le immagini già acquisite per pianificare l'intervento.

Un team di ricercatori in Spagna ha compiuto un passo verso questo obiettivo, insegnando ai computer a leggere i dettagli nascosti nelle scansioni TC standard. Queste scansioni sono le immagini radiografiche tridimensionali che i medici eseguono prima dell'intervento per controllare l'eventuale diffusione. I ricercatori si sono concentrati su un campo chiamato radiomica, che tratta le immagini mediche non solo come fotografie per l'occhio umano, ma come vaste biblioteche di dati. Mentre un medico guarda una scansione per vedere la forma e la dimensione di un tumore, un computer può misurare migliaia di minuscoli schemi nelle sfumature di grigio e nelle texture che sono invisibili a occhio nudo. Questi schemi potrebbero riflettere come siano disposte le cellule all'interno del tumore o quanto siano aggressive. Analizzando queste sottili texture, i ricercatori speravano di costruire uno strumento che potesse distinguere tra due stadi specifici del tumore al colon e prevedere quali pazienti avrebbero probabilmente visto la propria malattia tornare.

Lo studio ha coinvolto 104 pazienti che erano stati diagnosticati con tumore al colon e che si erano sottoposti a una scansione TC prima dell'intervento chirurgico. I ricercatori hanno lavorato su un gruppo specifico di pazienti, escludendo quelli con malattie genetiche rare o altri tipi di cancro, per garantire che i dati fossero puliti e focalizzati. Hanno preso le immagini TC e hanno tracciato manualmente il contorno del tumore primario in tre dimensioni, creando una mappa digitale precisa del volume del cancro. Da questa mappa, il computer ha estratto 105 diverse misurazioni. Queste misurazioni descrivevano la forma del tumore, la distribuzione della luminosità al suo interno e la complessa texture della sua superficie. Il team ha poi combinato queste misurazioni d'immagine con informazioni di base del paziente, come età e sesso, per costruire un insieme di modelli matematici.

Per testare se questi modelli funzionassero, i ricercatori hanno diviso il loro gruppo di pazienti in due set. Hanno utilizzato il gruppo più numeroso per insegnare al computer come riconoscere gli schemi, e hanno conservato il gruppo più piccolo affinché fungesse da esame finale. Il computer ha imparato a cercare combinazioni specifiche di queste 105 misurazioni che erano collegate all'esito. Il primo compito era vedere se il modello potesse distinguere tra il tumore di stadio II e quello di stadio III. Questa distinzione è critica perché i pazienti allo stadio III ricevono solitamente la chemioterapia dopo l'intervento, mentre i pazienti allo stadio II spesso no, eppure alcuni pazienti allo stadio II presentano comunque recidive. Il modello ha imparato a identificare questi stadi basandosi esclusivamente sulle immagini preoperatorie. Nel test finale, il modello ha distinto correttamente tra i due stadi circa il 76 percento delle volte. È stato particolarmente bravo a individuare i casi di stadio II, identificandoli correttamente quasi l'89 percento delle volte.

Il secondo compito, forse il più significativo, era prevedere se un paziente avrebbe avuto una recidiva entro cinque anni. Questa è una previsione molto più difficile perché comporta il tentativo di indovinare il comportamento futuro della malattia. I ricercatori hanno testato diversi metodi di apprendimento computazionale per trovare il migliore. Hanno scoperto che un tipo specifico di modello, che cercava relazioni tra molte diverse variabili contemporaneamente, offriva le prestazioni migliori. Questo modello ha raggiunto un alto livello di accuratezza, prevedendo correttamente il rischio di recidiva nel 91 percento dei casi nel gruppo di test. Era particolarmente sensibile, il che significa che raramente mancava un paziente che avrebbe poi avuto una recidiva, intercettando il 95 percento di questi casi. Lo studio ha anche esaminato i pazienti all'interno di ciascuno stadio separatamente. Anche guardando solo i pazienti allo stadio II o solo quelli allo stadio III, il modello manteneva una forte capacità predittiva, suggerendo che la texture del tumore nella scansione trasporti informazioni sul rischio indipendentemente dallo stadio ufficiale.

I risultati suggeriscono che la texture visiva di un tumore in una scansione TC contenga indizi sulla sua biologia che i metodi di stadiazione attuali perdono. I ricercatori hanno osservato che i tumori con schemi più uniformi e omogenei nella scansione tendevano ad appartenere a pazienti che non avevano recidive, mentre quelli con texture più caotiche ed eterogenee erano legati a un rischio maggiore di ritorno della malattia. Ciò si allinea all'idea che una texture disordinata e irregolare in un'immagine possa riflettere una biologia tumorale più aggressiva e disorganizzata. Lo studio non ha dimostrato che questi schemi causino il comportamento del cancro in un certo modo, ma ha mostrato un forte legame tra i dati dell'immagine e l'esito del paziente. Il team ha sottolineato che il loro lavoro è stato limitato dal fatto che è stato condotto in un singolo ospedale con un numero relativamente piccolo di pazienti, e che i modelli informatici sono stati addestrati e testati sui dati di quella stessa istituzione. Hanno riconosciuto che questi modelli devono essere testati su gruppi più ampi di persone provenienti da diversi ospedali per confermare che funzionino nel mondo reale.

Questa ricerca offre un potenziale nuovo modo per guardare al tumore al colon prima dell'inizio del trattamento. Invece di aspettare che la chirurgia riveli la vera natura del tumore, i medici potrebbero un giorno utilizzare questi strumenti basati sulle immagini per ottenere un quadro più chiaro del rischio che un paziente affronta. Se questi modelli saranno validati in studi futuri, potrebbero aiutare i medici a decidere chi ha bisogno della chemioterapia e chi può farne a meno in sicurezza, riducendo i trattamenti non necessari per alcuni e garantendo ad altri le cure di cui hanno bisogno. Il lavoro non sostituisce l'attuale sistema di stadiazione, ma suggerisce che esso possa essere migliorato aggiungendo questi dettagli quantitativi dalle scansioni. Per ora, i risultati rimangono un passo promettente verso un approccio più personalizzato al trattamento del tumore al colon, trasformando un'immagine preoperatoria di routine in una fonte di profonda intuizione predittiva.