Un modello di machine learning per la predizione della risposta patologica completa e la segmentazione automatizzata delle immagini di risonanza magnetica: un approccio per la preservazione d’organo nel cancro del retto localmente avanzato.

Background: Preserving the rectum in locally advanced rectal cancer (LARC) patients is essential to improving quality of life and reducing postoperative complications. A reliable machine learning (ML) model could enhance patient selection for treatment by identifying ideal candidates for a rectal-sparing approach. The aim of this study is to develop an ML model integrating radiomic features derived from staging magnetic resonance imaging (MRI) and clinical data to predict pathological complete response (pCR) to neoadjuvant chemoradiotherapy (pCRT). Additionally, an automated segmentation model for preoperative MRI images is implemented. Methods: We analyzed data from 218 LARC patients, divided into a training (n = 175) and testing cohort (n = 43), ensuring a balanced distribution of responders and non-responders based on histological outcomes from total mesorectal excision, local excision, or the watch-and-wait approach. Various ML models were trained using radiomic and clinical features to improve response prediction. Results: The XGBoost classifier achieved the best pCR prediction performance, with an AUC of 78% and accuracy of 67%. For image segmentation full-model aggregation demonstrated the highest robustness for rectal and mesorectal sgmentation, achieving DSC values of 0.80 for rectal cancer and 0.78 for the mesorectum. Conclusions: Integrating ML, radiomics, and clinical data enhances personalized LARC management, improving response prediction and enabling rectal-sparing strategies. Combining 2D/3D models, data augmentation, and ensembling strengthens segmentation robustness and generalizability. Future work will focus on optimizing the model through feature selection and clinical validation.

Introduzione: Preservare il retto nei pazienti con carcinoma del retto localmente avanzato (LARC) è essenziale per migliorarne la qualità di vita e ridurre le complicanze postoperatorie. Un modello affidabile di machine learning (ML) potrebbe migliorare la selezione del paziente da avviare a trattamento, identificando i candidati ideali per un approccio di preservazione del retto. L’obiettivo dello studio è di sviluppare un modello ML che integri caratteristiche radiomiche provenienti dalla risonanza magnetica (MRI) di stadiazione e dati clinici al fine di predire la risposta patologica completa (pCR) alla chemioradioterapia neoadiuvante (pCRT). Secondarimanete implementare un modello di segmentazione automatizzata per le immagini MRI preoperatorie. Metodi: Abbiamo analizzato i dati di 218 pazienti LARC, suddivisi in una coorte di training (n = 175) e una di testing (n = 43), garantendo una distribuzione bilanciata di pazienti con risposta al trattamento e pazienti senza risposta, definita sulla base degli esami istologici ottenuti mediante resezione anteriore di retto con asportazione totale del mesoretto, escissione locale o approccio watch-and-wait. Sono stati addestrati vari modelli ML utilizzando caratteristiche radiomiche e cliniche per migliorare la predizione della risposta al trattamento neoadiuvante. Risultati: Il classificatore XGBoost ha raggiunto le migliori prestazioni nella predizione della pCR, con un AUC del 78% e una accuratezza del 67%. Per la segmentazione delle immagini, la full-model aggregation ha dimostrato la massima robustezza per la segmentazione del retto e del mesoretto, ottenendo valori di DSC pari a 0,80 per il tumore del retto e 0,78 per il mesoretto. Conclusioni: L’integrazione di ML, radiomica e dati clinici migliora l’approccio personalizzato del LARC, perfezionando la predizione della risposta e consentendo la pianificazione di strategie per la preservazione d’organo. La combinazione di modelli 2D/3D, data augmentation ed ensembling rafforza la robustezza e la generalizzabilità della segmentazione. I lavori futuri si concentreranno sull’ottimizzazione del modello mediante selezione delle caratteristiche e validazione clinica.