ANALISI DI RADIOMICA SU GLIOMI IN IMMAGINI TC

Introduzione: Attualmente i gliomi rappresentano una delle neoplasie cerebrali più diffuse nell’adulto, e sono caratterizzati da prognosi infausta. Per questo motivo è importante riuscire a inquadrare il prima possibile la tipologia di lesione e il suo grado di malignità, con il fine di indirizzare il paziente verso approcci clinico terapeutici tempestivi. Obiettivo: L’obiettivo dello studio consiste nel valutare la capacità discriminativa tra glioma ad alto grado (HGG) e glioma a basso grado (LGG) di un’analisi esplorativa di radiomica attraverso l’utilizzo di immagini di tomografia computerizzata (TC) dell’encefalo. Materiali e metodi: Sono stati inclusi 12 pazienti con LGG e 23 pazienti con HGG che hanno eseguito un TC con protocollo di neuronavigazione presso la U.O.C di Nuroradiologia dell’Azienda Ospedale dell’Università di Padova. La segmentazione delle lesioni è stata svolta da un Tecnico di Radiologia Medica specializzato in neuroimaging tramite l’utilizzo del programma 3D slicer. Sono quindi state estratte le features di radiomica utilizzando il programma pyRadiomics, successivamente sono state selezionate le features più importanti attraverso una regressione LASSO, sono stati addestrati 3 classificatori di machine learning, ovvero Analisi Discriminante Lineare (LDA), Support Vector Machine (SVP) e k Nearest Neighbours (KNN). La validazione è stata effettuata attraverso una cross validation 5 fold. Risultati: Sono state selezionate 13 delle 107 features di radiomica trovate (3 derivate dall’istogramma e 10 texturali) per la differenziazione del grado tumorale e per l’addestramento degli algoritmi. Tutti gli algoritmi di classificazione hanno prodotto distinti, tuttavia i risultati migliori sono stati ottenuti con l’LDA che ha presentato una AUC di 0,89, una sensibilità dell’89,2%, una specificità dell’83,4% e un’accuratezza dell’86,5%. Conclusioni: Lo studio di radiomica basato sulle immagini TC ha evidenziato una discreta capacità discriminativa tra gliomi ad alto grado (HGG) e gliomi a basso grado (LGG) e una buona capacità di addestramento dei modelli di machine learning anche con un campione composto da un numero ridotto di individui.