Analisi radiomica in TC nell'epatocarcinoma candidato a trattamento loco-regionale

Introduzione L’epatocarcinoma è il tumore primitivo del fegato più frequente e rappresenta una delle principali cause di morte per cancro a livello globale. Nei pazienti con HCC in stadio intermedio secondo la classificazione BCLC, la chemioembolizzazione transarteriosa (TACE) costituisce il trattamento di prima linea. Tuttavia, la risposta alla TACE è spesso imprevedibile e caratterizzata da un’ampia eterogeneità, sottolineando l’importanza di identificare precocemente i pazienti che potranno trarne reale beneficio. In questo contesto, la radiomica si propone come una metodologia innovativa e promettente, basata sull’estrazione di parametri quantitativi dalle immagini radiologiche, potenzialmente in grado di riflettere aspetti biologici e funzionali del tumore non direttamente visibili all’occhio umano. Obiettivo dello studio Il presente studio si propone di identificare specifiche features radiomiche utili alla costruzione di un modello predittivo in grado di stimare l’efficacia terapeutica della TACE. L’obiettivo è quello di selezionare con maggiore accuratezza i pazienti che potrebbero trarre reale beneficio da questa procedura, orientando invece verso strategie terapeutiche alternative coloro per i quali la TACE risulterebbe meno efficace. Metodi Sono state selezionate 29 procedure di TACE effettuate presso il nostro centro. È stata condotta un’analisi radiomica sulle immagini TC eseguite prima della procedura, analizzando in modo indipendente la fase arteriosa e quella venosa. In un secondo momento, è stata effettuata un'altra analisi integrando le Deep Features nei modelli predittivi. L’analisi radiomica è stata condotta mediante l’impiego del software Trace4Research™, seguendo un workflow che ha previsto le seguenti fasi operative: segmentazione delle immagini, pre-elaborazione delle immagini, estrazione delle features, selezione delle features e creazione dei modelli predittivi. Sono stati quindi creati, addestrati e testati cinque diversi modelli di apprendimento automatico, con l’obiettivo di effettuare una classificazione binaria dei pazienti in base alla presenza o assenza di recidiva. Risultati I modelli basati sul deep learning hanno in generale ottenuto dei risultati migliori in termini di performance e significatività statistica. Tra questi, i migliori sono risultati essere il Multi-Layer Perceptron per la fase arteriosa e il Logistic Regression per la fase venosa. Nell’analisi radiomica classica delle immagini in fase arteriosa, il modello K-Nearest Neighbors ha mostrato la performance più elevata in termini di capacità discriminativa, pur presentando una sensibilità ridotta; il modello Random Forest ha invece evidenziato un miglior bilanciamento tra i principali parametri di classificazione (AUC-ROC, sensibilità e specificità). L’analisi delle immagini in fase venosa ha permesso di ottenere le performance predittive complessivamente migliori, con il modello Random Forest che si è confermato il più efficace nella corretta classificazione dei pazienti. Il confronto tra le due fasi suggerisce che le immagini della fase venosa contengano informazioni maggiormente rilevanti ai fini predittivi. Conclusioni I risultati ottenuti confermano il potenziale della radiomica come strumento di supporto nella gestione clinica dell’epatocarcinoma. Studi futuri, condotti su popolazioni più ampie e con approcci prospettici e multicentrici, saranno fondamentali per validare questi risultati e favorirne l’applicazione nella pratica quotidiana.