Modello di deep learning multimodale per stratificare il rischio di recidiva in pazienti con carcinoma mammario triplo negativo

Introduzione Il carcinoma mammario cosiddetto “triplo negativo” rappresenta una delle varianti biologiche più aggressive del carcinoma della mammella ed è caratterizza per l’assenza di espressione dei recettori ormonali per estrogeno e progesterone e per la mancata sovra-espressione o amplificazione del recettore per il fattore di crescita epidermico umano 2. Nonostante i progressi, una parte significativa delle pazienti presenta resistenza alla chemioterapia, evidenziando la necessità di individuare biomarcatori predittivi affidabili. Lo scopo del presente lavoro è quello di creare e sviluppare un modello avanzato di apprendimento multimodale per valutare la stratificazione del rischio di recidiva nei pazienti affetti da carcinoma mammario triplo negativo nel setting neoadiuvante. integrando biomarcatori digitali estratti da vetrini istologici con dati clinico-patologici. Materiali e metodi Sono stati selezionati casi di carcinoma triplo negativo che sono stati scannerizzati con Nanozoomer e Ventana Up 200 della Rosch a risoluzione 40x. Ogni caso è stato integrato con dati clinici (età, grado, stadio, Ki-67, stato linfonodale). La stratificazione prognostica è stata eseguita con modello multimodale sviluppato con approccio topologico-gerarchico. L’intero benchmark prognostico è stato inoltre confrontato con un modello multimodale standard per l’analisi d’immagine. Risultati Per lo sviluppo ed il test dei modelli, la coorte (N=267) è stata sottoposta a un protocollo di 5-fold cross-validation (split 80% training, 20% test). Per quantificare il beneficio dell'approccio multimodale e dell'analisi gerarchica, è stato condotto uno studio ablativo sistematico confrontando cinque modalità di funzionamento diverse. Le performance finali delle cinque modalità ablative sono state confrontate sul test set aggregato (N=53). Per i modelli multimodali Combined_Flat e Combined_V3, è stata condotta un'analisi di stratificazione del rischio: i pazienti sono stati dicotomizzati in gruppi "Alto Rischio" e "Basso Rischio" (p-value log-rank = 0.0071), un risultato molto più forte rispetto alla separazione marginale ottenuta dal modello Flat (p-value = 0.3006). Il nostro modello ha ottenuto un C-index 0,70 che ricade nel range dell’utilità clinica e la distribuzione degli HR ci fa vedere che il modello è in grado di stratificare i pazienti in maniera statisticamente significativa. Conclusioni I dati ottenuti evidenziano l’importanza di utilizzare approcci topologici e gerarchici e analisi delle slide istologiche per ottenere informazioni clinicamente utili. Ulteriori studi su dataset più ampi e necessaria validazione esterna necessitano di concepire FM con architettura di natura topologica e gerarchica.