Habitat Imaging Combined with Multiscale Peritumoral Radiomics and Pathological STAS Status for Predicting Early Postoperative Recurrence in Stage T1 Non-Small Cell Lung Cancer

Il tumore al polmone rimane la principale causa di morte per cancro in tutto il mondo e, per i pazienti con malattia allo stadio iniziale, la chirurgia è spesso la cura standard. Tuttavia, anche dopo un intervento riuscito, alcuni pazienti affrontano un rischio significativo che il cancro ritorni. Una specifica caratteristica biologica, nota come diffusione attraverso gli spazi aerei, funge da potente segnale di avvertimento. Ciò accade quando le cellule cancerose si staccano dal tumore principale e fluttuano liberamente nei minuscoli sacchi d'aria del polmone, un comportamento che rende la malattia più probabile nel suo ritorno. Il problema è che i medici possono confermare questa pericolosa caratteristica solo dopo che il tumore è stato rimosso ed esaminato al microscopio, rimanendo così senza un modo per prevedere il rischio prima che l'intervento inizi. Per risolvere questo problema, i ricercatori si sono rivolti a un campo chiamato radiomica, che tratta le immagini mediche non solo come fotografie, ma come vaste fonti di dati nascosti. Analizzando i sottili modelli di luce e consistenza all'interno di una scansione, i computer possono rilevare dettagli invisibili all'occhio umano, offrendo una potenziale finestra sulla vera natura del tumore prima che venga effettuata una singola incisione.

Un team di ricercatori dell'Ospedale Shanxi Bethune in Cina ha sviluppato un nuovo metodo per prevedere se il tumore al polmone in fase iniziale ritornerà dopo l'intervento chirurgico. Si sono concentrati sui pazienti con tumore polmonare non a piccole cellule in stadio T1, un gruppo che tipicamente ha una buona prognosi ma che affronta comunque un rischio non trascurabile di recidiva. Il team ha creato un sofisticato modello informatico che combina tre tipi distinti di informazioni: i dettagli clinici del paziente, lo stato biologico della diffusione attraverso gli spazi aerei e un'analisi approfondita della struttura interna del tumore e del suo ambiente circostante. Il loro obiettivo era costruire uno strumento che potesse aiutare i medici a identificare precocemente i pazienti ad alto rischio, consentendo piani di follow-up e decisioni terapeutiche più personalizzati.

Per costruire questo modello, i ricercatori hanno esaminato le cartelle cliniche di 216 pazienti che si erano sottoposti a un intervento chirurgico per tumore al polmone in fase iniziale tra il 2019 e il 2022. Hanno suddiviso questi pazienti in due gruppi: un gruppo più numeroso per addestrare il computer e un gruppo più piccolo per testare quanto bene il computer avesse imparato. Il team ha iniziato esaminando le TC del torace dei pazienti, che sono immagini 3D dettagliate dei polmoni. Invece di trattare il tumore come una singola massa uniforme, hanno utilizzato una tecnica chiamata imaging degli habitat. Questo metodo scompone il tumore in sotto-regioni più piccole e distinte in base a come i pixel appaiono e si comportano, in modo simile a come un geologo potrebbe mappare diversi tipi di suolo all'interno di un unico campo. Raggruppando queste minuscole aree, il computer poteva vedere il paesaggio complesso e irregolare all'interno del tumore che una scansione standard perderebbe.

I ricercatori hanno guardato oltre il tumore stesso. Hanno analizzato il tessuto immediatamente circostante il cancro, creando anelli di analisi a distanze di uno, tre e cinque millimetri dal bordo del tumore. Sapevano che l'ambiente proprio accanto a un tumore spesso contiene indizi su quanto sia aggressivo nella sua crescita. Hanno estratto migliare di caratteristiche numeriche da queste zone, misurando tutto, dalla forma del tumore alla consistenza del tessuto. Hanno poi combinato questi dettagli di imaging con la storia medica dei pazienti, come età e genere, e i risultati dell'esame patologico che confermava la presenza o meno della diffusione attraverso gli spazi aerei.

Il team ha testato diversi algoritmi di apprendimento informatico per vedere quale potesse prevedere meglio la recidiva. Hanno scoperto che un modello che combina tutti questi elementi — fattori clinici, gli "habitat" interni del tumore e le caratteristiche dell'anello di tre millimetri attorno al tumore — otteneva le prestazioni migliori. Nel loro gruppo di test, questo modello combinato ha identificato correttamente il rischio di recidiva con un tasso di accuratezza che si traduceva in un punteggio di 0,865. Questo era significativamente migliore rispetto ai modelli che si basavano solo sui dati clinici, solo sui modelli interni del tumore o solo sul tessuto circostante. Lo studio ha dimostrato che la zona di tre millimetri intorno al tumore forniva le informazioni più utili sull'ambiente circostante, suggerendo che il vicinato immediato del tumore è critico per comprenderne il comportamento.

I ricercatori hanno anche confermato che alcuni fattori sono predittori indipendenti della recidiva. Questi includevano la presenza di un segno specifico nella scansione chiamato segno della vacuolizzazione, il genere del paziente, la presenza di diffusione attraverso gli spazi aerei, il modo in cui il tumore tirava la vicina membrana polmonare e la dimensione massima del tumore. Quando il modello informatico ha integrato lo stato della diffusione attraverso gli spazi aerei con i dettagli dell'imaging, ha creato un quadro molto più chiaro del rischio rispetto a quanto qualsiasi singolo pezzo di informazione potesse fornire da solo. Il modello è stato in grado di distinguere tra i pazienti che sarebbero rimasti liberi dal cancro e quelli che avrebbero subito un ritorno della malattia con un alto grado di affidabilità.

Sebbene i risultati siano promettenti, gli autori sottolineano che il loro studio presenta dei limiti. È stato condotto in un singolo ospedale con un numero moderato di pazienti e i dati provenivano da una popolazione specifica, il che significa che il modello deve essere testato su gruppi di persone più ampi e diversificati prima di poter essere utilizzato diffusamente. Inoltre, il processo di mappatura delle regioni del tumore è stato eseguito manualmente, il che è dispendioso in termini di tempo, sebbene i futuri progressi tecnologici automatizzati possano velocizzare questo compito. Nonostante questi ostacoli, lo studio dimostra che combinare diversi strati di informazione — dalla biologia microscopica del tumore ai modelli macroscopici nella scansione — crea uno strumento potente per la previsione.

Questo lavoro offre una via pratica per la gestione del tumore al polmore in fase iniziale. Utilizzando un approccio non invasivo che analizza la diversità interna del tumore e il suo ambiente immediato, i medici potrebbero presto essere in grado di prevedere il rischio di recidiva con maggiore precisiono. Ciò potrebbe aiutare a personalizzare le cure post-operatorie, garantendo che i pazienti che sono ad alto rischio ricevano l'attenzione e il trattamento necessari, pur risparmiando a quelli a basso rischio interventi non necessari. Lo studio suggerisce che il futuro della cura del cancro risiede non solo nel guardare il tumore, ma nel comprendere la storia complessa che esso racconta attraverso la sua forma, il suo ambiente e la sua struttura interna nascosta.