ANALISI RADIOMICA PREDITTIVA DI RISPOSTA AL TRATTAMENTO NEL TUMORE TRIPLO NEGATIVO DELLA MAMMELLA

Introduzione e obiettivi Il carcinoma mammario triplo negativo (Triple Negative Breast Cancer, TNBC) rappresenta un sottotipo biologicamente aggressivo di carcinoma della mammella. L’immunoterapia neoadiuvate con Pembrolizumab si è dimostrata efficacie nel trattamento di tale sottotipo di carcinoma; tuttavia la risposta alla terapia rimane eterogenea tra le pazienti. Il presente studio mira a sviluppare una firma radiomica mediante algoritmo di Machine Learning basata su immagini di Risonanza Magnetica multiparametrica della mammella per la stratificazione precoce del rischio individuale e la predizione della risposta patologica in pazienti affette da TNBC trattate con terapia neoadiuvante con Pembrolizumab (Pembro). Materiali e metodi La popolazione oggetto di studio è composta da 28 pazienti di sesso femminile affette da TNBC, sottoposte a Risonanza Magnetica Multiparametrica prima del trattamento. Sulla base del risultato dell’analisi isto-patologica condotta sul pezzo operatorio a seguito dell’operazione chirurgica, i casi sono stati classificati in base alla risposta al trattamento in pazienti che hanno raggiunto una risposta patologica completa (RPC) e pazienti che hanno raggiunto una riposta patologica parziale (RPP). Della classe RPC ne fanno parte 15 pazienti (53,6%), della classe RPP le restanti 13 pazienti (46,4%). Dall’analisi delle immagini di RM è stato estratto un set di features radiomiche con l’intento di catturare l’eterogeneità intratumorale. Le features estratte sono state impiegate per addestrare e validare, con supervisione di un operatore, cinque modelli radiomici di Machine Learning, per il compito di classificazione binaria di interesse (RPC vs RPP), utilizzando la risposta al trattamento come standard di riferimento. I cinque modelli, ciascuno costituito da tre ensemble di classificatori, sono: Random Forest, Support Vector Machine, K-Nearest Neighbors, Multi-Layer Perceptron e Logistic Regression. Le prestazioni dei modelli sono state valutate mediante i parametri di area sotto la curva ROC (ROC-AUC), accuratezza, sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV) e F1-score. Risultati Il Support Vector Machine si è dimostrato il miglior modello, con le migliori prestazioni diagnostiche complessive, in particolare ROC-AUC del 75% (62-88), accuratezza del 66% (57-75), sensibilità dell’83% (73-94), specificità del 50% (30-70), PPV del 72% (61-82), NPV del 71% (54-88) e F1-score del 73% (65-80). Conclusioni I risultati ottenuti mostrano la potenzialità di un approccio radiomico basato su RM per la stratificazione della risposta patologica del TNBC trattato con Pembrolizumab in regime neoadiuvante. Il classificatore Support Vector Machine ha raggiunto prestazioni diagnostiche e predittive promettenti, in particolare in termini di sensibilità e ROC-AUC, evidenziando la capacità del modello di identificare correttamente le pazienti appartenenti ai due gruppi. Sebbene la ridotta dimensione del campione rappresenti una importante limitazione dello studio, i risultati ottenuti costituiscono una base per lo sviluppo di una firma radiomica che individua biomarcatori di imaging non invasivi a supporto della decisione clinica personalizzata.