A multimodal CT-based machine-learning model for differentiating pulmonary sarcomatoid carcinoma from conventional non-small cell lung cancer: an internally validated study

Il tumore al polmone non è una malattia singola, ma una collezione di diverse condizioni che condividono una posizione comune. Tra queste, una forma rara e aggressiva chiamata carcinoma sarcomatoide polmonare è particolarmente difficile da identificare prima che un chirurgo rimuova un pezzo di tessuto per l'esame microscopico. A differenza dei tipi più comuni di tumore al polmone, questa variante specifica si comporta diversamente e spesso richiede un approccio distinto al trattamento. La sfida per i medici è che le scansioni standard, che utilizzano i raggi X per creare sezioni trasversali dettagliate del corpo, spesso fanno apparire questo raro cancro esattamente come il tipo comune. Senza una chiara differenza visiva, i pazienti potrebbero attendere più a lungo per la diagnosi corretta o ricevere un piano di trattamento che non è perfettamente adatto alla loro specifica condizione.

Per affrontare questa incertezza, un team di ricercatori ha deciso di vedere se un computer potesse imparare a individuare le sottili differenze che l'occhio umano perde. Hanno raccolto scansioni di quasi quattrocento pazienti provenienti da tre diversi centri medici, inclusi ottantatré individui con il raro tipo sarcomatoide e trecentoquattordici con la forma convenzionale. I ricercatori hanno inserito questi dati in un sistema di apprendimento automatico, un tipo di software progettato per trovare schemi in grandi set di informazioni. Hanno testato diversi modi per insegnare al computer: un metodo si basava solo sulla storia clinica del paziente e sulle osservazioni di base della scansione, un altro guardava solo alla tessitura matematica del tumore, e un terzo ha cercato di utilizzare un complesso sistema di intelligenza artificiale pre-addestrato che aveva appreso da milioni di altre immagini. Hanno anche costruito un modello che combinava tutte queste fonti di informazione, sperando che un quadro completo potesse dare il miglior risultato.

Lo studio ha scoperto che l'approccio di maggior successo è stato quello che ha fuso i dettagli clinici del paziente con un'analisi dettagliata della tessitura del tumore. Questo modello combinato poteva distinguere tra i tumori rari e quelli comuni con un alto grado di accuratezza, identificando correttamente il tipo raro in circa l'ottantasei percento dei casi, pur escludendo correttamente l'altro in circa il settantasei percento degli altri casi. Una caratteristica fisica chiave che ha aiutato il computer a prendere questa decisione è stata la presenza di aree a bassa attenuazione all'interno del tumore, che sono essenzialmente sacche di tessuto che appaiono più scure nella scansione, suggerendo che siano meno dense rispetto alla massa circostante. La dimensione e la presenza di queste sacche più scure erano fortemente legate alla forma rara della malattia.

Tuttavia, i ricercatori hanno anche scoperto cosa non ha funzionato. Il complesso sistema di intelligenza artificiale pre-addestrato, che molti potrebbero aspettarsi sia lo strumento più potente, non ha aggiunto alcuna informazione utile da solo. Ha performato non meglio del caso nel tentativo di distinguere i due tipi di cancro. Inoltre, il team si è reso conto che il modo in cui le scansioni venivano eseguite — come le impostazioni specifiche sulla macchina TC o l'ospedale in cui è stata effettuata la scansione — aveva un'influenza sorprendentemente grande sui risultati. Infatti, le differenze nel modo in cui le immagini venivano catturate erano talvolta abbastanza forti da separare i gruppi da sole. Ciò suggerisce che, sebbene il computer abbia trovato schemi reali nel tessuto, parte del suo successo potrebbe essere stato influenzato dalle variazioni tecniche tra i diversi ospedali.

A causa di queste influenze tecniche, gli autori avvertono che questo strumento non è ancora pronto per essere utilizzato in un ospedale per prendere decisioni finali. Il modello è stato testato solo sui dati con cui era stato addestrato e non è ancora stato dimostrato che funzioni su scansioni provenienti da macchine diverse o popolazioni di pazienti differenti. I ricercatori descrivono il loro lavoro come un importante passo che mostra promessa, in particolare evidenziando il valore del guardare attentamente alla tessitura del tumore e alla presenza di quelle aree più scure e meno dense. Essi sottolineano che un risultato negativo da un tale modello non può escludere il cancro raro e che, prima che questa tecnologia possa aiutare i medici, deve essere validata in un contesto più ampio dove le scansioni vengono eseguite in modo standardizzato. Fino ad allora, il percorso verso una diagnosi definitiva dipende dal metodo tradizionale di esame del tessuto al microscopio.