Analisi radiomica RM nella stadiazione del cancro del retto, correlazione con l'istopatologia

Presupposto dello studio: Nel contesto generale dell'utilizzo di protocolli di risparmio del retto per il trattamento del cancro del retto, l'identificazione dei pazienti con una risposta patologica completa (pCR) alla chemioradioterapia preoperatoria (pCRT) risulta essere ancora complesso. Scopo dello studio: Questo studio utilizza la risonanza magnetica e un robusto approccio di apprendimento automatico basato sulla radiomica per prevedere la risposta alla pCRT nei pazienti con carcinoma rettale, estraendo le caratteristiche dall’imaging RM in stadiazione pretrattamento. Studiamo il potenziale delle caratteristiche radiomiche nella RM in stadiazione nell'identificazione della pCR nei tumori del retto localmente avanzati. Materiali e metodi: Sono stati raccolti studi RM pretrattamento da 102 soggetti, divisi in una coorte di addestramento (n=72) e validazione (n=30). Nella coorte di formazione, 52 pazienti sono stati classificati come non responder alla pCRT e 20 pazienti come pCR, sulla base della diagnosi istologica data dall'escissione mesorettale totale che è il gold standard. Questo set di dati è stato utilizzato per l'addestramento e la convalida incrociata di diversi modelli di apprendimento automatico. È stato applicato un approccio radiomico completo, ipotizzando che le caratteristiche radiomiche potessero verificare efficacemente l'eterogeneità della malattia spiegando la diversa risposta al trattamento tra i due gruppi. Il modello è stato successivamente testato nella coorte di validazione esterna, dove 26 pazienti sono stati classificati come non-responder e 4 come pCR secondo lo standard di riferimento. Risultati: Sono stati sviluppati tre modelli di apprendimento automatico, ottenendo un modello con prestazioni con una ROC-AUC del 73% e un'accuratezza del 70%. La sensibilità e il valore predittivo positivo (PPV) hanno raggiunto rispettivamente il 78% e l'80%. I test sulla coorte di validazione hanno mostrato una sensibilità dell'81%, una specificità del 75% e un'accuratezza del 80%. Conclusioni: Questo studio dimostra il potenziale dell’approccio machine-learning basato sulla radiomica per prevedere la risposta al trattamento nei pazienti con carcinoma del retto utilizzando la risonanza magnetica in stadiazione. Il modello migliore, tra i tre testati, ha mostrato promettenti capacità discriminanti, evidenziando la fondamentale integrazione di metodologie avanzate di imaging e computazionali nella gestione personalizzata del cancro del retto.