Previsione della risposta alla chemio-radioterapia neo-adiuvante nel cancro del retto attraverso modello di federated learning basato sulla radiomica della risonanza magnetica di stadiazione

ABSTRACT Background: Con l’evoluzione e la diffusione di tecniche operatorie conservative nel trattamento del cancro del colon-retto, la corretta stadiazione loco-regionale mediante risonanza magnetica e l’efficacia del trattamento chemio-radioterapico neo-adiuvante nel determinare una risposta patologica completa (pCR) ricoprono un ruolo fondamentale. Obiettivo: Questo studio ha l’obiettivo di predire la risposta patologica completa (pCR) al trattamento chemio-radioterapico attraverso un modello di federated learning basato sulle caratteristiche radiomiche delle immagini di risonanza magnetica di stadiazione pre-operatoria in combinazione con le variabili cliniche. Materiali e metodi: Le features radiomiche della lesione e del mesoretto vengono estratte dalle immagini di risonanza magnetica di stadiazione, previa segmentazione manuale mediante il software 3D-Slicer, utilizzando il software Medical Image Radiomics Platform (MIRP). Le caratteristiche così estratte, insieme ai dati clinici rilevanti, vengono utilizzate come input per la costruzione di tre modelli predittivi basati su XGBoost, di cui uno basato sulle sole features radiomiche della lesione, uno sulle sole features radiomiche del mesoretto ed un terzo sulla combinazione delle caratteristiche radiomiche di entrambi. Il dataset complessivo comprende 103 soggetti, di cui 31 con risposta patologica completa (pCR) e 72 senza pCR. Il dataset è stato suddiviso in un training set e un testing set. Nel dettaglio, 82 soggetti sono stati assegnati al training set, mentre 21 soggetti sono stati destinati al testing set. Tra gli 82 soggetti del training set, 57 non hanno mostrato risposta patologica completa, mentre 25 sono stati classificati come pCR. Dei 21 pazienti utilizzati per il testing set, 15 sono stati classificati come non-responders, mentre 6 come pCR. Per l’analisi statistica dei risultati è stata utilizzata la matrice di confusione (o matrice di errore) dalla quale è stato possibile calcolare metriche statistiche di accuratezza, sensibilità (tasso di veri positivi), specificità (tasso di veri negativi), tasso di falsi positivi, valore predittivo positivo (o precisione), ROC (Receiver Operating Characteristic) AUC (Area Under Curve) score ed F1 score per ciascun modello. Risultati: Dalle matrici di confusione si osserva che l’accuratezza del modello, intesa come capacità di classificare correttamente i pazienti con e senza pCR, si attesta intorno al 71% per i modelli che includono le caratteristiche radiomiche della lesione. Il modello contenente le features radiomiche sia della lesione che del mesoretto mostra una specificità del 93%, maggiore rispetto agli altri due. Conclusioni: I risultati ottenuti indicano che l'inclusione delle caratteristiche radiomiche del mesoretto potrebbe portare ad un aumento della specificità, ovvero la capacità di identificare correttamente i pazienti che non otterranno una pCR, a discapito di una riduzione della sensibilità, ovvero la capacità di identificare correttamente i pazienti che otterranno una pCR. Da un lato, l'aumento della specificità potrebbe essere utile per evitare di sottoporre a trattamenti aggressivi pazienti che non ne trarrebbero beneficio. Dall'altro lato, la riduzione della sensibilità potrebbe comportare il mancato riconoscimento di pazienti che potrebbero beneficiare di un trattamento intensivo. In più, lo sviluppo di modelli di Federated Learning basati sulla radiomica potrebbe facilitare la collaborazione tra centri di ricerca, consentendo di condividere le conoscenze e di sviluppare modelli predittivi più robusti e generalizzabili.