Rectal wall radiomics and dosiomics for predicting acute radiation proctitis after pelvic radiotherapy: a retrospective machine-learning study

La radioterapia è uno strumento potente per il trattamento dei tumori nella regione pelvica, come quelli che colpiscono la cervice o l'utero. Sebbene le macchine moderne possano modellare i fasci di radiazioni con un'incredibile precisione per colpire un tumore, il retto si trova così vicino a questi bersagli che inevitabilmente riceve una certa esposizione. Questa esposizione può scatenare la proctite da irradiazione acuta, un'infiammazione della mucosa rettale che causa sintomi dolorosi come urgenza, sanguinamento e disagio. Per decenni, i medici si sono affidati a misurazioni standard per prevedere chi potrebbe soffrire di questi effetti collaterali. Queste misurazioni, note come istogrammi dose-volume, comprimono essenzialmente una complessa mappa tridimensionale delle radiazioni in alcuni numeri riassuntivi, indicando quanto l'organo abbia ricevuto una certa quantità di radiazioni. Tuttavia, questi riassunti trascurano i dettagli più fini su dove le radiazioni si concentrano e su come il tessuto stesso appaia prima dell'inizio del trattamento.

Un nuovo studio condotto da ricercatori in Cina esplora se osservare il problema con maggiore dettaglio possa migliorare le previsioni. Invece di limitarsi a contare quanta radiazione riceve un paziente, il team ha esaminato la texture e la forma della parete rettale sulle scansioni pre-trattamento, insieme ai pattern spazifici specifici del piano di dose di radiazioni. Combinando questi due tipi distinti di informazioni — come appare il tessuto e come sono disposte esattamente le radiazioni — miravano a creare una previsione più accurata di chi avrebbe sviluppato un'infiammazione grave. L'obiettivo non era inventare un nuovo algoritmo di apprendimento automatico, ma vedere se accoppiare queste due diverse visioni dello stesso problema offrisse un quadro più chiaro rispetto a ciascuna di esse presa singolarmente.

I ricercatori hanno condotto uno studio retrospettivo, il che significa che hanno esaminato le cartelle cliniche di 137 donne che avevano recentemente subito una radioterapia pelvica per tumori ginecologici. Hanno diviso queste pazienti in due gruppi: un gruppo più numeroso utilizzato per costruire e addestrare i loro modelli predittivi, e un gruppo più piccolo e separato utilizzato per testare quanto bene quei modelli funzionassero su nuovi dati. Per ogni paziente, il team si è concentrato specificamente sulla parete rettale, un sottile anello di tessuto, piuttosto che sull'intero retto che potrebbe contenere gas o feci che potrebbero confondere l'analisi. Hanno creato una mappa digitale di questa parete dalla scansione TC di pianificazione per estrarre centinaia di caratteristiche che descrivono la sua texture, la sua forma e la sua intensità. Contemporaneamente, hanno analizzato il piano di dose delle radiazioni in tre dimensioni per estrarre caratteristiche che descrivessero la distribuzione delle radiazioni, cercando pattern come hotspot o gradienti che i riassunti standard perderebbero.

Utilizzando tecniche avanzate di apprendimento computazionale, il team ha testato diversi modelli per vedere quale potesse meglio prevedere se una paziente avrebbe sviluppato una proctite da irradiazione acuta di grado 2 o superiore, un livello di gravità che tipicamente richiede un intervento medico. Hanno scoperto che il modello utilizzando solo le caratteristiche di texture e forma della scansione CT performava bene, identificando correttamente le pazienti con un alto grado di precisione. Un modello separato, utilizzando solo i dettagli spaziali della dose di radiazioni, ha performato bene, sebbene fosse leggermente migliore nel escludere i pazienti che non si sarebbero ammalati piuttosto che nel catturare quelli che lo avrebbero fatto. Quando i ricercatori hanno combinato entrambi gli insiemi di informazioni in un unico modello integrato, i risultati sono migliorati. Questo approccio combinato ha raggiunto l'accuratezza più elevata, distinguendo tra chi avrebbe sviluppato la condizione e chi no con una maggiore affidabilità rispetto a ciascun metodo usato isolatamente.

Lo studio suggerisce che l'aspetto basale del tessuto rettale e la specifica disposizione della dose di radiazioni trasportino informazioni complementari. L'analisi al computer ha rivelato che determinati pattern sottili nella texture del tessuto, come piccole variazioni nel modo in cui il tessuto assorbe i raggi X, erano altrettanto importanti quanto il clustering specifico della dose di radiazioni. Ciò indica che il rischio di un paziente non è determinato esclusivamente da quanta radiazione riceve, ma anche dalle caratteristiche uniche del proprio tessuto e dalla precisa geometria del piano di trattamento. I ricercatori hanno utilizzato un metodo chiamato analisi SHAP per verificare che il modello stesse effettivamente utilizzando caratteristiche sia dalle immagini del tessuto che dalle mappe di dose per prendere le sue decisioni, piuttosto che fare affidamento su una sola fonte.

Nonostante questi risultati promettenti, gli autori avvertono con cautela che questo lavoro è preliminare. Lo studio è stato condotto in un singolo ospedale e il gruppo di test era relativamente piccolo, composto da sole 42 pazienti. A causa di ciò, gli intervalli di confidenza attorno ai loro risultati sono ampi, il che significa che le cifre esatte delle prestazioni potrebbero cambiare se il modello venisse testato su un gruppo di persone molto più numeroso. Lo studio non ha inoltre confrontato il loro nuovo approccio con un modello che includesse tutti i dati clinici disponibili, come l'età della paziente o la storia di diabete, quindi non è ancora chiaro se questo nuovo metodo aggiunga valore rispetto a ciò che i medici già sanno. Inoltre, i modelli sono stati addestrati sulla dose di radiazioni pianificata piuttosto che sulla dose effettivamente somministrata, che può variare leggermente a causa dei cambiamenti quotidiani nel riempimento o nel posizionamento del retto.

I ricercatori concludono che, sebbene il loro modello integrato mostri un forte potenziale di previsione interna, non è ancora pronto per l'uso clinico di routine. Prima di poter essere utilizzato per guidare le decisioni terapeutiche, il modello deve essere validato in studi multicentrici più ampi e testato contro parametri clinici stabiliti. Il vero valore di questo lavoro risiede nel dimostrare che guardare il problema attraverso due lenti diverse — lo stato fisico del tessuto e la realtà spaziale delle radiazioni — fornisce una comprensione più ricca e sfumata del rischio. Fino a quando la validazione completa non sarà completata, questi risultati servono come prova di concetto che un'analisi più dettagliata e consapevole dello spazio potrebbe un giorno aiutare gli oncologi a proteggere meglio i pazienti dagli spiacevoli effetti collaterali della terapia radiante salvavita.