Applicazione della radiomica nelle patologie dell’apparato respiratorio| Rassegna di Patologia dell'Apparato Respiratorio

Abstract

Le patologie polmonari rappresentano un ambito di notevole interesse nell’analisi radiomica, in un’era caratterizzata da straordinari progressi tecnologici facilitati dall’impiego di algoritmi di intelligenza artificiale (IA) applicabili alla scienza medica. Questi algoritmi avanzati potrebbero consentire un significativo miglioramento nella diagnosi precoce, nella stadiazione e nella gestione terapeutica dei pazienti, grazie all’estrazione di parametri matematici integrabili ai dati clinico-funzionali e laboratoristici del paziente. Le tecniche convenzionali di analisi delle immagini radiologiche, fondate sull’interpretazione visiva, presentano limitazioni significative nella rilevazione di minimi e sottili cambiamenti tissutali e nella precisa quantificazione delle caratteristiche intrinseche della patologia in esame. Queste restrizioni persistono nonostante l’uso di apparecchiature avanzate e altamente sofisticate, come i tomografi multidetettore ed i tomografi di ultima generazione di RM ad alto campo. La radiomica, nata dalla ibridazione dei termini “radio” ed “omica”, rappresenta un approccio innovativo per l’analisi integrata e approfondita delle immagini mediche. Utilizza metodi matematici computerizzati basati su funzioni statistiche, che vengono integrati con dati clinici, laboratoristici e funzionali, per valutare indagini diagnostiche come la tomografia computerizzata (TC), la risonanza magnetica (RM) e la PET-TC. Questo approccio consente di estrarre informazioni quantitative che non sarebbero visibili tramite un’analisi visiva convenzionale, identificando nuovi biomarcatori diagnostici potenzialmente predittivi degli esiti clinici con l’obiettivo di migliorare il percorso diagnostico-terapeutico del paziente. La radiomica offre una visione “oltre i limiti dell’occhio umano”, affiancando alla valutazione visiva immediata e di impatto (fenotipo) una valutazione più approfondita e complessa, caratterizzata da numerosi biomarcatori ancora in fase di definizione e validazione (endotipi computerizzati). Il suffisso “omica” è associato a varie discipline bio-molecolari come genomica, proteomica e metabolomica, che estraggono informazioni da geni, molecole, proteine e tessuti, integrandosi in una valutazione multiparametrica clinica altamente avanzata. La radiomica, combinata con l’intelligenza artificiale, si propone quindi come uno strumento capace di fornire una valutazione diagnostica più precisa della malattia in esame, oltre a offrire supporto nella valutazione della risposta al trattamento.

Come funziona?

Nella radiomica, vengono estratte varie caratteristiche quantitative dalle immagini mediche per fornire dettagli approfonditi sulle caratteristiche dei tessuti che non sono visibili tramite l’analisi convenzionale. Queste caratteristiche possono essere categorizzate in diversi gruppi quali “shape features” (caratteristiche di forma), le quali descrivono la geometria della regione di interesse (ROI), quali ad esempio volume, area superficiale, sfericità e compattezza. In maniera esemplificativa il volume di un tumore polmonare può essere misurato e monitorato nel tempo per valutare crescita o riduzione; “intensity features” (caratteristiche di intensità), le quali misurano la distribuzione delle intensità dei pixel o dei voxel all’interno della ROI (region of interest): intensità media, mediana e deviazione standard dell’intensità possono aiutare a valutare densità ed eterogeneità dei tessuti esaminati; “texture features” (caratteristiche di tessitura), le quali catturano schemi e interconnessioni tra le intensità dei pixel-voxel di una immagine, riflettendo l’eterogeneità dei tessuti; “wavelet features” (caratteristiche di onda), in grado di estrapolare informazioni di frequenza della immagine analizzata identificando dettagli microscopici a vari livelli di risoluzione; “fractal features” (caratteristiche frattali), in grado di descrivere la complessità e le caratteristiche di similarità rilevate in una immagine. La dimensione frattale può quantificare l’irregolarità e la frammentazione del tessuto offrendo ulteriori nuovissimi parametri interpretativi diagnostici ^1-5. L’analisi di queste features, combinata con i dati clinici e molecolari, fornendo un profilo quantitativo estremamente dettagliato e completo, è in grado di contribuire alla identificazione di nuovi biomarcatori “in vivo” capaci di predire prognosi e risposta al trattamento ^6-8.

Il processo di analisi radiomica prevede multiple fasi rigorosamente precise nella sequenza di elaborazione, poiché dalla accuratezza procedurale, i dati estratti saranno dotati di una maggiore o minore robustezza statistica (Fig. 1). In sintesi, lo schema del processo prevede:

1. acquisizione e pre-processamento delle immagini radiologiche;
2. segmentazione manuale o automatica (mediata da deep learning/AI) delle alterazioni di interesse clinico;
3. processazione con step di normalizzazione, ricampionamento e discretizzazione;
4. estrazione delle features radiomiche dalle regioni segmentate;
5. selezione delle features più informative attraverso algoritmi di “machine learning”;
6. sviluppo di modelli predittivi basati sulle features selezionate;

Grazie all’utilizzo di potenti sistemi di calcolo e di algoritmi di intelligenza artificiale, la radiomica consente di analizzare un numero elevato di features, identificando pattern complessi all’interno delle immagini, non estraibili percettivamente con tecniche visive di base.

Quale è lo stato dell’arte?

La radiomica si propone attualmente come tool in numerose applicazioni di studio per le patologie polmonari, con particolare target nel settore oncologico. Alcuni esempi di utilizzo includono:

1. Diagnosi precoce: l’analisi quantitativa delle immagini permette di rilevare sottili cambiamenti tissutali e di identificare biomarcatori non percepibili all’interpretazione visiva tradizionale.
2. Stadiazione: le caratteristiche radiomiche forniscono informazioni dettagliate sull’estensione della malattia e sul coinvolgimento linfonodale, migliorando la stadiazione del tumore grazie a criteri ultra-parametrici standard che superano significativamente le capacità visive convenzionali.

Inoltre, le nuove frontiere della radiomica si stanno concentrando sullo studio di altre patologie polmonari quali patologie infiltrative diffuse ed interstiziali (es. fibrosi polmonare idiopatica), patologie ostruttive (es. broncopneumopatia cronica ostruttiva-asma), patologie vascolari, genetiche metaboliche ed infettive, estrapolando da “big data” parametri quantitativi matematici sino a pochi anni fa neanche ipotizzabili e che si propongono una profilazione sempre più precisa e pan-esplorante del paziente e della patologia oggetto di studio.

Quali sono le prospettive di utilizzo futuro?

L’applicazione della radiomica nello studio delle malattie polmonari potrebbe pertanto offrire nell’immediato futuro alcuni sensibili vantaggi nello studio di numerose patologie rispetto alle tecniche di analisi convenzionale, previa standardizzazione degli algoritmi di acquisizione, utilizzo di test e coorti di validazione, definizione di caratteristiche specifiche per ciascuna patologia e rigorosi controlli di qualità per evitare il “sovra-adattamento” noto come “over-fitting” degli strumenti di deep learning. I potenziali benefici includono:

1. Valutazione non invasiva della malattia: l’ottenimento di informazioni dettagliate sull’eterogeneità tumorale e sul microambiente della lesione permette di evitare, in alcuni casi di scarsa “compliance” del paziente, procedure diagnostiche interventistiche e di guidare, in casi selezionati, campionamenti bioptici in aree di maggiore sospetto basate su variazioni di vascolarizzazione, enhancement, densitometria, entropia, varianza, intensità, energia del tessuto analizzato, utili ad esempio nel ridurre eventuali falsi positivi, migliorando la accuratezza diagnostica.
2. Predizione della prognosi: i modelli radiomici basati su TC, MRI o PET-TC, integrati con dati molecolari tissutali ed indagini istopatologiche e immunoistochimiche, possono predire sopravvivenza e rischio di recidiva nei pazienti con tumore al polmone, nonché fornire una diagnostica non invasiva delle caratteristiche intrinseche del tumore in alcuni selezionati casi senza necessità di nuovi campionamenti bioptici.
3. Personalizzazione e modulazione della terapia: i modelli radiomici possono aiutare a selezionare il trattamento più efficace per il singolo paziente, basandosi sulle specifiche caratteristiche della malattia, che possono variare anche all’interno dello stesso istotipo per effetto della mutagenesi neoplastica e delle resistenze terapeutiche.
4. Monitoraggio della risposta al trattamento: l’analisi delle variazioni delle caratteristiche radiomiche durante la terapia può fornire informazioni precoci sull’efficacia del trattamento, permettendo di adattare tempestivamente il piano terapeutico.
5. Un campo affascinante ancora in via di sviluppo è rappresentato dalla possibilità di predizione della sopravvivenza globale e della sopravvivenza libera da malattia tramite analisi delle caratteristiche radiomiche delle immagini PET con 18F-FDG. Inoltre, si prevede che in un futuro prossimo la radiomica possa integrarsi con altre tecniche di analisi, quali genomica e trascrittomica, per ottenere una visione più completa della malattia e sviluppare approcci di medicina di precisione ^9-11.

Conclusioni

In conclusione, la radiomica rappresenta un approccio innovativo e promettente per lo studio delle patologie polmonari focali e diffuse, in particolare del tumore polmonare. Grazie all’utilizzo di algoritmi di intelligenza artificiale per l’analisi quantitativa delle immagini radiologiche, la radiomica consente di identificare biomarcatori di imaging con potenziale elevato impatto clinico, in grado di migliorare la diagnosi precoce, la stadiazione e la valutazione della risposta al trattamento. L’integrazione della radiomica con altre tecniche di analisi (-omics), quali ad esempio genomica, proteomica, trascrittomica, può portare allo sviluppo di approcci di medicina di precisione personalizzati con approccio “sartoriale” per ogni singolo paziente. Nonostante i progressi finora compiuti, sono necessari ulteriori studi di validazione per confermare in maniera definitiva un utilizzo nella pratica clinica e per superare le importanti limitazioni attualmente presenti quali standardizzazione delle procedure di acquisizione, scelta delle features di maggiore robustezza statistica da analizzare per dataset di patologie specifiche, utilizzo di “cloud” capaci di contenere big data da analizzare con rispetto dei principi di etica e di salvaguardia dei dati sensibili dei pazienti oggetto di studio, principio di base per la gestione del volume dei dati necessari alla analisi. Tuttavia, l’enorme potenziale di questa tecnica nel migliorare la gestione delle malattie polmonari rende la radiomica un campo di ricerca estremamente promettente per il futuro della medicina ed in particolare nella gestione diagnostico-terapeutica delle patologie di interesse pneumologico.

Figure e tabelle

Figura 1.Caratteristiche semplificate di un processo di analisi radiomica ottenuto in vari step dalla acquisizione alla segmentazione, sino alla estrazione delle “features” (box rosso e blu) ed integrazione con gli algoritmi AI.

Riferimenti bibliografici

1. Rea G, Sverzellati N, Bocchino M. Beyond visual interpretation: quantitative analysis and artificial intelligence in interstitial lung disease diagnosis “Expanding horizons in radiology”. Diagnostics (Basel). 2023; 13:2333. DOI
2. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016; 278:563-577. DOI
3. Bocchino M, Bruzzese D, D’Alto M. Performance of a new quantitative computed tomography index for interstitial lung disease assessment in systemic sclerosis. Sci Rep. 2019; 9:9468. DOI
4. Zwanenburg A, Vallières M, Abdalah MA. The image biomarker standardization initiative: standardized quantitative radiomics for high-through put image-based phenotyping. Radiology. 2020; 295:328-338. DOI
5. Wang Y, Zhou C, Ying L. Leveraging serial low-dose CT scans in radiomics-based reinforcement learning to improve early diagnosis of lung cancer at baseline screening. Radiol Cardiothorac Imaging. 2024; 6:e230196. DOI
6. Huang Y, Liu Z, He L. Radiomics signature: a potential biomarker for the prediction of disease-free survival in early-stage (I or II) non-small cell lung cancer. Radiology. 2016; 281:947-957. DOI
7. Ligero M, Garcia-Ruiz A, Viaplana C. A CT-based radiomics signature is associated with response to immune checkpoint inhibitors in advanced solid tumors. Radiology. 2021; 299:109-119. DOI
8. Whybra P, Zwanenburg A, Andrearczyk V. The image biomarker standardization initiative: standardized convolutional filters for reproducible radiomics and enhanced clinical insights. Radiology. 2024; 310:e231319. DOI
9. Pallante P, Malapelle U, Nacchio M. Liquid biopsy is a promising tool for genetic testing in idiopathic pulmonary fibrosis. Diagnostics (Basel). 2021; 11:1202. DOI
10. Puchakayala PRA, Sthanam VL, Nakhmani A. Radiomics for improved detection of chronic obstructive pulmonary disease in low-dose and standard-dose chest CT scans. Radiology. 2023; 307:e222998. DOI
11. Refaee T, Salahuddin Z, Frix AN. Diagnosis of idiopathic pulmonary fibrosis in high-resolution computed tomography scans using a combination of handcrafted radiomics and deep learning. Front Med (Lausanne). 2022; 9:915243. DOI