Integrating Functiomics, Radiomics, and Dosiomics for the Management and Prediction of Radiation Pneumonitis in Lung Cancer Patients

Sintesi Tecnica: Integrazione di Functiomics, Radiomics e Dosiomics per la Predizione della Polmonite da Radiazioni

Definizione del Problema
La polmonite da radiazioni (RP), specificamente la polmonite acuta da radiazioni (ARP) di grado ≥2, è una complicazione grave e potenzialmente letale per i pazienti con tumore al polmone sottoposti a radioterapia. I modelli di predizione esistenti si basano principalmente sull'imaging anatomico (radiomics) e sui parametri di dose (dosiomics), trascurando spesso l'eterogeneità spaziale della funzione polmonare. Sebbene studi precedenti abbiano suggerito che l'integrazione dell'imaging funzionale polmonare (come la SPECT) con i parametri di dose migliori la predizione, rimane un vuoto nella comprensione del valore predittivo specifico delle caratteristiche radiomiche estratte direttamente da immagini funzionali — definite "Functiomics" — quando integrate con la radiomica e la dosiomica convenzionali.

Metodologia
Questo studio retrospettivo ha arruolato 126 pazienti con carcinoma polmonare non a piccole cellule (NSCLC) localmente avanzato, trattati con radioterapia a intensità modulata (IMRT) tra il 2015 e il 2019. Di questi, 64 pazienti (50,8%) hanno sviluppato ARP di grado ≥2. Lo studio ha utilizzato un approccio multi-omico che prevede tre distinte categorie di estrazione delle caratteristiche dall'intera regione polmonare (escludendo il volume del tumore macroscopico):

1. Radiomics: Caratteristiche estratte dalle immagini TC di pianificazione utilizzando il pacchetto pyradiomics, incluse caratteristiche di primo ordine, di forma e di texture (GLCM, GLDM, GLRLM, GLSZM, NGTDM) derivate da immagini originali e filtrate (filtri Laplacian-of-Gaussian e wavelet).
2. Dosiomics: Caratteristiche estratte dalle distribuzioni di dose 3D, inclusi i parametri del volume di dose (DVH), i momenti di dose 3D invarianti per scala e le caratteristiche di texture applicate direttamente alla mappa di dose.
3. Functiomics: Definite come caratteristiche radiomiche estratte da immagini di perfusione polmonare. Queste immagini funzionali sono state generate utilizzando un modello di deep learning precedentemente addestrato su scansioni TC di pianificazione, simulando i dati di perfusione SPECT (Single-Photon Emission Computed Tomography).

Selezione delle Caratteristiche e Costruzione del Modello
Il dataset è stato suddiviso in coorti di addestramento e di test con un rapporto 7:3, ripetuto 30 volte per garantirne la robustezza. È stata impiegata una rigorosa pipeline di selezione delle caratteristiche:

• Ricampionamento: 100 round di ricampionamento sul set di addestramento.
• Filtraggio: Rimozione delle caratteristiche a varianza zero seguita da filtraggio tramite T-test (p < 0,01) rispetto all'endpoint clinico.
• Classificazione: Le caratteristiche sono state classificate in base alla frequenza di selezione, mantenendo il top 10% (minimo 40).
• Eliminazione della Ridondanza: L'analisi della correlazione di Pearson (soglia 0,5) è stata utilizzata per rimuovere le caratteristiche ridondanti.

Sono stati costruiti cinque modelli predittivi utilizzando un classificatore Ridge con validazione incrociata a cinque pieghe (five-fold cross-validation):

1. D: Solo Dosiomics.
2. R: Solo Radiomics.
3. F: Solo Functiomics.
4. RD: Radiomics + Dosiomics.
5. RDF: Radiomics + Dosiomics + Functiomics.

Le prestazioni sono state valutate utilizzando l'Area Sotto la Curva (AUC), l'accuratezza, la precisione, il richiamo (recall), il punteggio F1, l'Analisi della Curva Decisionale (DCA) e le curve di calibrazione.

Risultati Chiave

• Prestazioni del Modello: Il modello completamente integrato RDF ha raggiunto la massima performance predittiva con un'AUC di 0,805 (95% CI: 0,78–0,825) nel coorte di test. Il modello RD (Radiomics + Dosiomics) ha fornito un'AUC comparabile di 0,781 (95% CI: 0,756–0,809). L'analisi statistica non ha mostato differenze significative tra i modelli RDF e RD (p = 0,202).
• Confronto Single-Omics: Sia la Radiomica (AUC 0,745) che la Functiomica (AUC 0,742) hanno superato significativamente il modello basato solo sulla Dosiomica (AUC 0,653) (p < 0,001).
• Contributo delle Caratteristiche: Nel modello ottimale RDF, le caratteristiche di Functiomics rappresentavano oltre il 50% delle caratteristiche selezionate (17 su 32). Nello specifico, 15 delle 17 caratteristiche di functiomics derivavano da immagini filtrate con wavelet. Le caratteristiche di texture GLSZM (Grey-Level Size Zone Matrix) sono state dominanti all'interno della categoria functiomics.
• Utilità Clinica: L'Analisi della Curva Decisionale (DCA) ha indicato che i modelli ibridi (RD e RDF) hanno fornito benefici clinici netti superiori rispetto ai modelli single-omics attraverso un ampio intervallo di probabilità di soglia (da 0,3 a 0,8). Il modello RDF ha dimostrato la massima accuratezza di predizione nelle curve di calibrazione.

Significato e Rivendicazioni
Gli autori affermano che l'integrazione della Functiomics (radiomica da imaging funzionale polmonare) con Radiomica e Dosiomica migliora la predizione della polmonite da radiazioni. Lo studio sostiene che l'imaging funzionale polmonare fornisce un valore predittivo complementare rispetto alle convenzionali caratteristiche anatomiche e dosimetriche.

Le principali conclusioni tratte dagli autori includono:

• L'inclusione delle caratteristiche di functiomics migliora significativamente l'accuratezza della classificazione rispetto all'uso delle sole caratteristiche di dose.
• Sebbene l'aggiunta della functiomica al modello RD non abbia portato a un aumento statisticamente significativo dell'AUC rispetto al modello RD da solo, le caratteristiche di functiomics costituivano la maggior parte del set di caratteristiche nel modello ottimale, suggerendo il loro ruolo critico nel catturare l'eterogeneità polmonare.
• Le immagini funzionali filtrate con wavelet sembrano essere particolarmente efficaci per la predizione dell'ARP.

Limitazioni e Direzioni Future
Gli autori riconoscono con moderazione alcune limitazioni:

• Dimensione del Campione: La coorte relativamente piccola (n=126) può limitare la potenza statistica e la generalizzabilità.
• Fonte di Imaging Funzionale: Le immagini funzionali sono state generate tramite un modello di deep learning basato su scansioni CT piuttosto che acquisite direttamente da reali immagini SPECT. Gli autori notano che questo potrebbe spiegare perché il guadagno di performance dall'aggiunta della functiomica al modello RD non sia stato statisticamente significativo e richiedono una validazione utilizzando reali immagini funzionali polmonari.
• Stabilità delle Caratteristiche: La stabilità delle caratteristiche di functiomics richiede un'ulteriore analisi separata.

Lo studio conclude che, sebbene tali risultati richiedano ulteriore validazione in coorti più ampie e diversificate, l'integrazione di caratteristiche multi-omiche rappresenta un approccio promettente per migliorare la predizione della RP nella radioterapia del tumore polmonare.