Sviluppo e Validazione di modelli radiomici basati su Imaging di Risonanza Magnetica per la caratterizzazione di adenomi ipofisari

Lo sviluppo di questa tesi si concentra su uno studio monocentrico retrospettivo che mira a caratterizzare diversi sottotipi di adenomi ipofisari mediante lo sviluppo e la validazione di modelli radiomici basati su Imaging di risonanza magnetica. La disponibilità di dati comprende un dataset di 200 pazienti, per ciascuno dei quali sono state acquisite sequenze T1w e T2w. Su tali immagini è stata effettuata la segmentazione del tumore da parte di esperti radiologi. L’idea alla base dello studio è che, attualmente, tale caratterizzazione emerge solo nel momento dell’intervento chirurgico, generando sfide nella pianificazione preoperatoria e richiedendo decisioni in tempo reale, che potrebbero rivelarsi inadeguate. L’ipotesi centrale di questa ricerca è che alcune caratteristiche di tali lesioni tumorali, come ad esempio l’invasività, possano essere predette a partire da acquisizioni di risonanza magnetica effettuate durante le consuete fasi di routine preoperatorie. L’obiettivo è di migliorare la diagnosi, la prognosi e la pianificazione del trattamento, integrando informazioni aggiuntive rispetto alle pratiche cliniche tradizionali. Ciò è possibile grazie alla radiomica, un approccio avanzato di analisi di immagini mediche che si basa sull’estrazione di un gran numero di caratteristiche (features) quantitative dalle immagini diagnostiche. Queste features possono includere caratteristiche geometriche e di texture che descrivono le proprietà della regione di interesse (ROI). Le features estratte dalla regione di interesse sono state sottoposte a un processo di features selection. Le features selezionate sono state impiegate per lo sviluppo di modelli predittivi. Diverse tecniche di Machine Learning sono state esaminate per la creazione di tali modelli, i quali sono stati successivamente confrontati considerando diversi parametri, tra cui L’Area Under The Curve (AUC) della Receiver Operating Characteristic (ROC), la sensibilità e la specificità al fine di valutarne le performance.