MACHINE LEARNING PER IL LESION MAPPING NELLE LESIONI GLIALI DIFFUSE DELL’ADULTO: CONFRONTO PRELIMINARE DELLA PERFORMANCE DELL’ALGORITMO ATLAS-BASED CON I REFERTI CLINICI

Introduzione I gliomi diffusi dell'adulto — astrocitoma, oligodendroglioma e glioblastoma — rappresentano le neoplasie maligne primitive del SNC più frequenti, con prognosi variabile e gestione multidisciplinare complessa. La refertazione radiologica in linguaggio libero è soggetta a variabilità inter-osservatore e a mancanza di standardizzazione. L'Automated Radiology Report Generation (ARRG) mediante intelligenza artificiale potrebbe rispondere a queste criticità, garantendo output strutturati e riproducibili. In questo contesto, è stato sviluppato in collaborazione con il laboratorio AImageLab-Zip di UNIMORE un algoritmo deterministico di machine learning atlas-based, alternativo al deep learning, che tenta di rispondere al problema della black-box e della carenza di dati annotati. Materiali e metodi Lo studio retrospettivo ha analizzati i dati di 48 pazienti con prima diagnosi di glioma diffuso dell'adulto, sottoposti a RMN preoperatoria presso la Neuroradiologia dell'AOU di Modena (settembre 2020 – giugno 2025). L'algoritmo, a partire da maschere di segmentazione tumorale ottenute mediante deep learning e rifinite da neuroradiologi esperti, registra l'atlante anatomico cerebrale SRI24 sullo spazio del paziente tramite ANTs, identificando sede d'origine, aree coinvolte, aree eloquenti e metriche geometriche quantitative. L'output viene tradotto in un file json strutturato e in un testo descrittivo. Le annotazioni manuali dell'operatore hanno consentito la correzione dell'output algoritmico, successivamente confrontato con 45 referti clinici testuali mediante metriche di accuracy (proporzione delle classificazioni corrette), precision (proporzione delle classificazioni positive effettivamente positive), recall (proporzione di positivi reali classificati correttamente come positivi), F1 score (misura sintetica che bilancia precision e recall) e prevalence (intesa come numero dei campi presenti in media su tutti i campi possibili). Risultati Nel confronto algoritmo-annotazioni manuali, l'accuracy nella classificazione del numero di lesioni è risultata del 70,49%, quella nella lateralizzazione del 97,92% e quella nell'area d'origine del 65,18% su 281 aree annotate. Per le aree eloquenti, la precision ha raggiunto il 91,89% con recall del 73,91%. Per il tumor core il confronto fra le aree coinvolte ha mostrato precision 62,75% e recall 84,91% (F1: 72,16%); per l'edema, precision 63,40% e recall 95,10%. Nel confronto con i referti clinici, il matching per macroarea ha raggiunto il 100%, per lateralizzazione il 93% e per numero di lesioni il 76,7%. L'errore relativo sulle dimensioni è risultato del 19,9% considerando almeno due assi spaziali, salendo al 51,6% con un singolo asse. Discussione L'algoritmo mostra performance clinicamente rilevanti nella lateralizzazione e nella localizzazione per macroarea, con elevata sensibilità per edema e tumor core. La precision del 91,89% per le aree eloquenti è particolarmente significativa per la pianificazione neurochirurgica, sebbene il recall del 73,91% evidenzi margini di miglioramento. L' errore sul diametro massimo lungo un singolo asse riflette la differenza tra la valutazione tridimensionale dell'algoritmo rispetto a quella clinica routinaria. La disomogeneità dei referti in linguaggio libero conferma la necessità di standardizzazione; l’ARRG si configura come uno dei metodi possibili. Conclusione I risultati preliminari supportano la validità dell'approccio deterministico atlas-based come strumento di supporto alla refertazione neuroradiologica strutturata, con il clinico nel ruolo irrinunciabile di supervisore e validatore.