Contour-free multi-instance learning versus conventional CT features for preoperative Ki-67 stratification in gastric gastrointestinal stromal tumors: a retrospective comparison

Sintesi Tecnica: Apprendimento Multi-istanza Senza Contorno rispetto alle Caratteristiche CT Convenzionali per la Stratificazione Preoperatoria del Ki-67 nei GIST Gastrici

Definizione del Problema
I tumori stromali gastrointestinali (GIST) esibiscono una significativa variabilità biologica e la valutazione del rischio preoperatorio è spesso limitata perché i fattori prognostici chiave, come il conteggio mitotico e lo stato di rottura del tumore, richiedono tipicamente una conferma intraoperatoria o patologica. L'indice di marcatura Ki-67 funge da misura critica della proliferazione tumorale, con valori più elevati che correlano a una malattia più aggressiva e alla ricorrenza. Tuttavia, la valutazione del Ki-67 si basa su biopsie o tessuti resecati ed è soggetta a eterogeneità di campionamento. Sebbene la TC con mezzo di contrasto sia regolarmente utilizzata per la stadiazione, i modelli predittivi esistenti spesso si affidano a regioni di interesse (ROI) del tumore delineate manualmente. Questo contornamento manuale introduce un passaggio di pre-elaborazione separato, aumenta il carico di lavoro e limita la scalabilità degli approcci radiomici o di deep learning. Inoltre, un singolo label del Ki-67 a livello di paziente corrisponde a una serie CT completa di centinaia di fette, di cui solo un sottoinsieme raffigura il tumore. Questa struttura "un label, molte istanze" non viene affrontata in modo ottimale dal classico apprendimento supervisionato senza segmentazione.

Metodologia
Questo studio retrospettivo monocentrico ha valutato un framework di Apprendimento Multi-istanza (MIL) senza contorno progettato per stratificare i GIST gastrici in base all'indice Ki-67 senza richiedere la segmentazione del tumore.

• Coorte e Task: Lo studio ha incluso 61 pazienti con GIST gastrici sottoposti a resezione radicale. Sono stati definiti tre task di classificazione binaria basati su cut-off del Ki-67 del 5%, 8% e 10%. I pazienti con valori di Ki-67 riportati nell'intervallo di un determinato cut-off sono stati esclusi solo da quel particolare task.
• Elaborazione dei Dati:
  • Caratteristiche Convenzionali: Due lettori hanno estratto indipendentemente 21 variabili CT convenzionali (demografia, morfologia tumorale, pattern di enhancement, necrosi, ecc.) dalle immagini in fase arteriosa e venosa.
  • MIL Senza Contorno: Intere serie CT arteriosa e venosa sono state elaborate senza localizzazione del tumore. Le fette DICOM sono state ordinate per posizione fisica, regolate con finestra per l'addome e standardizzate. Un encoder ResNet-18 congelato (pre-addestrato su ImageNet) ha estratto vettori di caratteristiche a 512 dimensioni da ogni fetta.
  • Architettura MIL: L'intera serie CT di ogni paziente formava un "sacchetto" (bag) di istanze (fette). Sono stati implementati cinque metodi MIL per aggregare le caratteristiche delle fette in una rappresentazione a livello di paziente: MeanMIL, Attention-based MIL (ABMIL), Gated-attention MIL (GAMIL), Dual-stream MIL (DSMIL) e Attention-stabilized MIL (ASMIL).
• Confronto tra i Modelli: Lo studio ha confrontato:
  1. Due modelli convenzionali (Regressione Logistica con regolarizzazione L2 ed Elastic Net).
  2. Cinque metodi MIL applicati separatamente alle fasi arteriosa e venosa.
  3. Quattro combinazioni di fusione a logit uguale (es. Arteriosa + Venosa, Convenzionale + Arteriosa, ecc.).
• Protocollo di Valutazione: È stata utilizzata una validazione incrociata k-fold stratificata a livello di paziente, ripetuta 10 volte. Le prestazioni sono state valutate tramite AUROC, AUPRC, calibrazione e Decision Curve Analysis (DCA). La significatività statistica delle differenze è stata determinata tramite test bootstrap accoppiati con correzione di Holm. È stata condotta un' "audit dell'attenzione" post-addestramento per verificare se i pesi dell'attenzione appresi correlassero con le fette contenenti il tumore utilizzando ROI annotate manualmente (che non sono state utilizzate durante l'addestramento).

Risultati Chiave

• Performance Discriminativa: Lo studio ha riscontrato nessun chiaro vantaggio discriminativo per il MIL senza contorno o per i modelli di fusione rispetto alle caratteristiche CT convenzionali.
  • Le AUROC più elevate sono state 0,645 (cut-off 5%), 0,646 (cut-off 8%) e 0,605 (cut-off 10%).
  • Crucialmente, ogni intervallo di confidenza dell'AUROC includeva 0,5, indicando che nessuno dei modelli ha dimostrato una discriminazione statisticamente significativa sopra il caso in questa coorte.
  • Dopo la correzione di Holm, nessuno dei 90 confronti a coppie tra i modelli, né dei 54 confronti tra i modelli di fusione e i loro componenti, è rimasto statisticamente significativo.
• Confronto tra Metodi MIL: Tra i cinque metodi MIL, solo due specifici confronti a coppie sono rimasti significativi dopo la correzione (Venosa DSMIL vs ASMIL all'8% di AUROC; Venosa DSMIL vs GAMIL al 10% di AUPRC). Nessun metodo MIL ha superato costantemente gli altri o i modelli convenzionali.
• Audit dell'Attenzione: Nell'audit dell'attenzione post-addestramento, 34 di 60 test hanno mostrato un'associazione significativa tra i pesi dell'attenzione e le fette contenenti il tumore dopo la correzione globale di Holm. Tuttavia, la direzione di questa associazione variava (21 sopra il riferimento, 13 sotto), suggerendo che i pesi dell'attenzione ottimizzati per la classificazione a livello di paziente non localizzano costantemente il tumore.
• Stabilità: I componenti della fusione hanno mostrato una correlazione bassa o moderata, e la fusione a tre componenti era meno variabile dei modelli MIL a singola fase, ma più variabile dell'Elastic Net convenzionale.

Significatività e Rivendicazioni
L'articolo sostiene di definire un framework a livello di paziente per la valutazione di intere serie CT senza delineazione della lesione, offrendo un potenziale alternativa al laborioso contornamento manuale richiesto dalla radiomica tradizionale.

Tuttavia, gli autori sono espliciti riguardo ai limiti dei loro risultati:

1. Nessuna Superiorità Clinica: In questa specifica coorte, il MIL senza contorno non ha superato le caratteristiche CT convenzionali. Gli autori affermano che la piccola dimensione del campione e gli ampi intervalli di confidenza impediscono una conclusione ferma sulla equivalenza delle prestazioni, ma certamente non hanno dimostrato superiorità.
2. Onere di Annotazione: Lo studio non ha misurato la riduzione del tempo di annotazione o del carico di lavoro clinico, che è una delle motivazioni primarie per gli approcci senza contorno.
3. Requisiti Futuri: Gli autori concludono che sono necessaria una validazione esterna e una valutazione diretta dell'onere di annotazione prima che questo design possa essere considerato per l'uso clinico. Suggeriscono che gli studi futuri dovrebbero utilizzare coorti più ampie, rappresentazioni specifiche per la CT e registrazione spaziale tra le fasi arteriosa e venosa.

In sintesi, sebbene lo studio abbia implementato con successo una pipeline MIL senza contorno per la stratificazione del Ki-67 nei GIST gastrici, non è riuscito a dimostrare che tale approccio fornisca un vantaggio discriminativo rispetto all'analisi delle caratteristiche CT convenzionali più semplici.