Analisi radiomica nella diagnostica dell’adenocarcinoma pancreatico

Introduzione: L’adenocarcinoma pancreatico (PDAC) rappresenta una delle neoplasie più aggressive e letali, con una sopravvivenza a 5 anni inferiore al 10% e un tasso di recidiva che supera il 70%. Considerando come non ci siano protocolli di follow-up standardizzati, risulta importante identificare degli strumenti predittivi precoci. In questo contesto, la radiomica risulta un approccio promettente capace di estrarre informazioni utili da immagini radiologiche più comunemente TC. Obiettivo dello studio: Questo studio ha mirato a sviluppare un modello radiomico predittivo di recidiva dopo chirurgia in pazienti con PDAC, basandosi su features radiomiche estratte da immagini TC in fase portale. Materiali e metodi: Sono stati inclusi pazienti con diagnosi istologica di PDAC, sottoposti a trattamento chirurgico nel 2023-24, con a disposizione una TC al momento della diagnosi con fase portale e follow up post-chirurgico di almeno 3 mesi. Workflow radiomico: acquisizione delle immagini TC, segmentazione della lesione pancreatica sulle immagini TC della fase portale, estrazione delle features, selezione delle features. Sono stati quindi costruiti 5 modelli di machine learning ovvero Random forest, Support Vector Machine, K-Nearest Neighbours, Multi-Layer Perceptron e Logistic Regression. Le performance sono state misurate con ROC-AUC, accuratezza, sensibilità, specificità, valore predittivo positivo, valore predittivo negativo e F1Score. Risultati: Abbiamo considerato 10 pazienti in base ai criteri di inclusione, 5 con recidiva di malattia. Da ciascun VOI segmentato di ogni immagine TC, sono state estratte features radiomiche conformi agli standard IBSI. Abbiamo ottenuto un totale di 580 features, e di queste 5 sono state selezionate come più significative, ovvero Median, Logarithm 10th Percentile, 10th Percentile, SquareCluster Shade e Logarithm 90th Percentile. Le prime 3 hanno mostrato significatività statistica, mentre le ultime due non hanno mostrato significatività statistica in nessun caso. Il modello che ha ottenuto la migliore performance è il Support Vector Machine, specificando comunque come ci siano stati risultati buoni anche per Multi-Layer Perceptron e Logistic Regression. Risultati meno promettenti sono stati riscontrati in Random Forest e soprattutto in K-Nearest Neighbours. Conclusioni: La TC eseguita alla diagnosi dell’adenocarcinoma pancreatico contiene informazioni estraibili con tecniche di radiomica che possono essere utili nella valutazione predittiva del rischio di recidiva post-chirurgica. Alla luce della ridotta numerosità dei campioni, saranno però necessari ulteriori studi multicentrici e prospettici per consentirne l’applicazione clinica.