di Barbara Palumbo<\/p>\n\n\n\n
La ricerca di terapie personalizzate, volte ad individuare la terapia pi\u00f9 indicata per quel preciso paziente, tenendo conto dell\u2019unicit\u00e0 che lo caratterizza, \u00e8 alla base della \u201cMedicina di Precisione\u201d, che si avvale di un approccio multidisciplinare, non necessariamente legato agli stereotipi della medicina convenzionale. In tale ambito le tecniche di intelligenza artificiale (AI), applicate alle diverse branche della medicina ed in particolare alla diagnostica per immagini, forniscono un contributo di grande interesse e potenzialit\u00e0.<\/p>\n\n\n\n
Nella radiodiagnostica e in radioterapia le tecniche di AI sono state impiegate con successo da molti anni, come testimoniato da un\u2019 abbondante letteratura internazionale.<\/p>\n\n\n\n
Nell\u2019imaging di medicina nucleare l\u2019impiego di tecniche di intelligenza artificiale, quali il Machine Learning, il Deep Learning e, pi\u00f9 in generale, le varie tecniche ascrivibili alla Radiomica, hanno contribuito alla possibilit\u00e0 di ottenere una \u201ccomputer-aided diagnosis\u201d che pu\u00f2 rappresentare un utile ausilio diagnostico. Gli ambiti clinici pi\u00f9 significativi di applicazione di tali tecniche in medicina nucleare corrispondono alle patologie neurodegenerative ed oncologiche. <\/p>\n\n\n\n
In ambito neurodegenerativo gli studi principali sono rappresentati dall\u2019impiego di tecniche di AI per la diagnostica differenziale tra le varie forme di demenza, tra cui in particolare la malattia di Alzheimer, la demenza a corpi di Lewy, la demenza fronto-temporale ed i parkinsonismi con demenza. L\u2019elaborazione e l\u2019analisi quantitativa \u201ccomputazionale\u201d delle immagini consente di ottenere una classificazione automatica di malattia e di definire criteri diagnostici e valori di cut-off che rivestono un potenziale rilevante impatto clinico, qualora correttamente riproducibili. <\/p>\n\n\n\n
Similmente in ambito oncologico le tecniche di AI, consentendo di ottenere parametri quantitativi estratti direttamente dalle immagini, possono contribuire all\u2019individuazione della neoplasia, al grading di malattia, alla prognosi e alla valutazione della risposta alle terapie. <\/p>\n\n\n\n
Tra le differenti tecniche di AI, la Radiomica rappresenta la pi\u00f9 impiegata in campo oncologico. <\/strong>Nella sua accezione pi\u00f9 generale la radiomica pu\u00f2 essere definita come l\u2019insieme di metodi che permette di estrarre informazioni di tipo quantitativo dalle immagini mediche, informazioni che sarebbero altrimenti difficilmente individuabili tramite la semplice osservazione visiva.<\/p>\n\n\n\n La diagnostica per immagini fornisce infatti, oltre alle classiche immagini che i medici sono abituati ad interpretare sulla scorta della loro esperienza, una grande quantit\u00e0 di dati numerici che la semplice osservazione visiva non consente di rilevare. L\u2019analisi delle immagini tramite algoritmi matematici permette invece di estrarre dati quantitativi oggettivi e ripetibili che vanno oltre la normale interpretazione qualitativa.<\/p>\n\n\n\n Nella diagnostica per immagini e pi\u00f9 segnatamente nella medicina nucleare, l\u2019estrazione di dati quantitativi da immagini diagnostiche ottenute tramite PET, CT e MR offre la possibilit\u00e0 di migliorare l\u2019accuratezza diagnostica e prognostica delle metodiche di imaging. In campo oncologico, in particolare, l\u2019utilizzo della radiomica permette di studiare parametri quali la forma e la tessitura (\u2018texture\u2019) di tessuti sani e neoplastici in modo non invasivo, tanto che alcuni autori si spingono a definire la radiomica come una sorta di \u201cbiopsia in vivo\u201d. Sempre maggiori sono le evidenze scientifiche che indicano come i parametri oggettivi di forma e tessitura correlano con diversi endpoint clinici, come ad esempio la progressione di malattia, la risposta alla terapia e l\u2019aggressivit\u00e0 della neoplasia. <\/p>\n\n\n\n Il processo di analisi delle immagini con tecniche di radiomica prevede sei fasi: 1) acquisizione delle immagini; 2) pre-processamento; 3) segmentazione; 4) estrazione delle feature; 5) post-processamento; 6) analisi dei dati.<\/p>\n\n\n\n L\u2019intervento del clinico risulta particolarmente critico nella fasi 2) e 4): ovvero quella di segmentazione (i.e., identificazione e contornazione della regione di interesse) e quella di selezione dei parametri quantitativi da utilizzare (feature). Oltre a ci\u00f2, un prerequisito della radiomica \u00e8 quello di avere a disposizione una serie sufficientemente ampia di dati relativi a casi gi\u00e0 classificati da poter utilizzare per dedurre informazioni sul caso in esame.<\/p>\n\n\n\n Dopo l\u2019acquisizione di immagini PET\/CT o PET\/MR deve essere effettuata una successiva segmentazione automatica o manuale, che, nell’elaborazione digitale delle immagini, consiste nella partizione di un’immagine in regioni significative. In ambito medico nucleare esistono diversi metodi di contornamento per definire il volume di una lesione captante il radiofarmaco. I sistemi di contornamento automatico, non sono sempre precisi ma sono abbastanza facili da utilizzare, mentre i sistemi di contornamento manuali, seppure pi\u00f9 difficili da utilizzare, permettono di contornare perfettamente la lesione. <\/p>\n\n\n\n I metodi classici impiegabili possono essere suddivisi in \u201cvisivi\u201d o \u201ca soglia\u201d. Il metodo \u201cvisivo\u201d \u00e8 rappresentato dalla delineazione manuale dei contorni e risente di alcuni fattori tra cui i livelli scelti nella finestra di visualizzazione e la variabilit\u00e0 nei giudizi sia tra osservatori differenti che nello stesso osservatore in sessioni differenti di analisi, mentre i metodi \u201ca soglia\u201d, a soglia fissa o a soglia variabile, nella pratica clinica sono utili poich\u00e9 riducono la variabilit\u00e0 intra- ed inter-operatore. Nei metodi a soglia fissa vengono inclusi nel volume da contornare tutti i voxel con un valore superiore al valore di soglia costante scelto. Il valore soglia \u00e8 pari ad una percentuale del SUVmax all’interno della lesione (generalmente 40% o 42%) o ad un valore cut-off di SUV assoluto (ad es. 2.5 rappresenta il classico cut-off proposto dalla letteratura per differenziare una neoplasia da un tessuto sano). I limiti di questo metodo sono la mancata considerazione di alcuni fattori tra cui l’attivit\u00e0 del background, la dimensione dell’oggetto e le disomogeneit\u00e0 di captazione del radiofarmaco nel contesto dello stesso tumore. Alcuni autori preferiscono fare dipendere la soglia dal SUV medio all\u2019interno della lesione piuttosto che dal SUVmax, per utilizzare un parametro pi\u00f9 omogeneo. Nei metodi a soglia variabile si considera normalmente il SUVmax all’interno del volume e la soglia viene definita considerando il rapporto Target\/Background mediante algoritmi iterativi. <\/p>\n\n\n\n Successivamente si procede all\u2019estrazione delle feature dal volume segmentato. Tali parametri vengono estratti dalla distribuzione del radiofarmaco, considerando i rapporti tra le varie aree di diversa captazione di radiocomposto e la morfologia geometrica delle lesioni. Infine le ultime fasi consistono nel post-processing e nell\u2019analisi dei dati. In sintesi si pu\u00f2 affermare che la radiomica e pi\u00f9 in generale le tecniche di AI, permettono di ottenere un\u2019analisi dei dati pi\u00f9 raffinata e completa della semplice analisi statistica, generando modelli matematici di previsione del pattern diagnostico di una forma patologica, che dovrebbero descrivere perfettamente la malattia ed essere riproducibili.<\/p>\n\n\n\n Sebbene la radiomica possa essere e sia stata applicata con successo ad immagini ottenute con qualsiasi radiofarmaco positrone-emittente, buona parte degli studi disponibili nella letteratura internazionale impiegano immagini PET\/CT con 18F-Fluoro-desossi-glucosio, probabilmente per la maggiore disponibilit\u00e0 del radiofarmaco e quindi di database omogenei e numerosi. I parametri quantitativi che si utilizzano come descrittori sono i seguenti:<\/p>\n\n\n\n Rapporto T\/N<\/strong> (rapporto tra segnale del tumore T e dei tessuti normali N): E\u2019 facile da misurare, ma presenta alcuni limiti. Ad esempio bisogna identificare un tessuto normale da utilizzare come riferimento, dipende dal tempo di acquisizione e dalla glicemia, inoltre durante la terapia pu\u00f2 variare la captazione di radiofarmaco (in dei tessuti normali, per cui il T\/N pu\u00f2 modificarsi anche quando il tumore \u00e8 invariato. Inoltre non tiene in considerazione l\u2019attivit\u00e0 somministrata e il peso del paziente, fattori variabili tra un\u2019esame ed il successivo di follow up. <\/p>\n\n\n\n SUV (Standardised Uptake Value<\/strong> = concentrazione del tracciante\/ dose iniettata* fattore di correzione che in genere \u00e8 il peso corporeo, l\u2019indice di massa corporea, superficie corporea) e SUVmax<\/strong> (ottenuto da voxel con il valore maggiore di SUV nella regione di interesse). Non necessita di un tessuto normale di riferimento. \u00c8 un parametro che dipende da numerosi fattori (peso corporeo, tempo tra iniezione e acquisizione, glicemia), ma ha il vantaggio di essere semplice da ottenere e largamente utilizzato, misurabile con i pi\u00f9 comuni software che equipaggiano i tomografi PET\/TC. Il SUVmax non pu\u00f2 per\u00f2 rappresentare l\u2019attivit\u00e0 totale dell\u2019intero tumore perch\u00e9 un singolo voxel non pu\u00f2 riflettere l\u2019eterogeneit\u00e0 dell\u2019intera massa neoplastica. Per questo alcuni autori preferiscono il SUVmean (media dei valori di SUV nella regione di interesse) o il SUVpeak (media dei valori di SUV su una piccola regione centrata sul voxel del SUVmax). <\/p>\n\n\n\n MTV (metabolic tumor volume)<\/strong> rappresenta il volume di tessuto contornato che presenta uptake di FDG, <\/p>\n\n\n\n TLG (Total Lesion Glycolysis)<\/strong> \u00e8 derivato da MTV e SUVmean (Total Lesion Glycolysis = MTV * SUVmean).<\/p>\n\n\n\n Gli ultimi due parametri descritti, MTV e TLG, hanno mostrato in molti studi di letteratura migliori risultati rispetto al SUV nella valutazione della prognosi e delle caratteristiche della neoplasia, sebbene il loro reale significato nella pratica clinica debba essere ulteriormente valutato. Ulteriori indici radiomici sono rappresentati da parametri di forma (e.g. sfericit\u00e0, allungamento, etc.) e di tessitura (quali statistiche del primo ordine, istogrammi di intensit\u00e0, matrici di co-occorrenza, etc.) Sebbene l\u2019interesse scientifico su questi parametri sia molto elevato, tuttavia la loro trasferibilit\u00e0 a livello clinico risulta ancora limitata, in particolare per l’assenza di criteri di calcolo standardizzati, la mancanza di linee guida specifiche e l\u2019assenza di casistiche pubbliche sufficientemente ampie. <\/p>\n\n\n\n Inoltre, questi indici sono sensibili a varie interferenze, tra cui la glicemia, l\u2019 intervallo somministrazione-acquisizione, le caratteristiche del paziente, il movimento del paziente, i parametri di acquisizione e ricostruzione, il tipo di contornamento \u2013 tutti fattori che limitano l\u2019impiego routinario nella pratica clinica. Infatti immagini diagnostiche acquisite nello stesso paziente in tempi e condizioni diverse (in staging e re-staging ad esempio) possono determinare variazioni importanti a priori che rendono non sempre riproducibili, attendibili e sufficientemente accurati, gli indici ottenibili. I processi infiammatori dopo radioterapia o chemioterapia possono rappresentare fattori interferenti, i valori di glucosio ed insulina possono variare a causa del trattamento, il peso del paziente generalmente si pu\u00f2 modificare tra un esame basale e di follow-up. Ne consegue che si pu\u00f2 modificare la captazione del radiofarmaco e quindi i parametri ad essa connessi. <\/p>\n\n\n\n Tutti gli esempi riportati mostrano come i parametri ottenuti con la radiomica siano utili per contribuire alla caratterizzazione in vivo di malattia, ma siano ancora poco utilizzabili nella comune pratica clinica a causa delle limitazioni sopra riassunte.<\/p>\n\n\n\n I campi di applicazione della radiomica nell\u2019imaging medico nucleare, testimoniati da un ampio ventaglio di lavori scientifici presentati sulle pi\u00f9 importanti riviste internazionali, riguardano principalmente le tecniche PET\/CT e PET\/MR nelle neoplasie polmonari, cerebrali, prostatiche e ginecologiche. Le malattie linfoproliferative, i carcinomi tiroidei e le altre forme tumorali rappresentano campi di impiego promettenti, nei quali per\u00f2 non c\u2019\u00e8 ancora una vasta letteratura. Esistono software standardizzati commerciali che forniscono un servizio completo di analisi di imaging diagnostico, in particolare radiologico, e di reportistica quantitativa strutturata, volti ad offrire al medico un supporto decisionale nella caratterizzazione di malattia, al fine di migliorare l\u2019accuratezza diagnostica e la valutazione prognostica. Tuttavia, l\u2019impiego nella pratica clinica di routine, non \u00e8 ancora diffuso n\u00e9 standardizzato. In tale ottica \u00e8 auspicabile che il medico riceva una formazione specifica in modo tale che possa imparare ad usare in modo adeguato e cosciente i vari strumenti conoscendone i limiti. <\/p>\n\n\n\n In particolare, in considerazione della necessit\u00e0 di standardizzare le tecniche ed i software e di fornire ai medici possibilit\u00e0 di training sull\u2019argomento, pu\u00f2 essere di sicura utilit\u00e0 la possibilit\u00e0 di creare database pubblici di immagini omogenee acquisite da differenti centri, su cui i medici si possano \u201caddestrare\u201d e confrontare. Ci\u00f2 \u00e8 particolarmente importante alla luce del fatto che non tutti i software disponibili sono garantiti e certificati, per cui l\u2019impiego nella refertazione non \u00e8 ancora validato e la competenza del medico sull\u2019argomento \u00e8 fondamentale.<\/p>\n\n\n\n In conclusione, seppure l\u2019applicazione di tecniche di AI in ambito diagnostico rappresenti un\u2019importante frontiera di ricerca, l\u2019utilizzo abituale di tali tecniche nella pratica clinica rappresenta ancora un impegnativo traguardo da raggiungere. <\/p>\n","protected":false},"excerpt":{"rendered":" di Barbara Palumbo La ricerca di terapie personalizzate, volte ad individuare la terapia pi\u00f9 indicata per quel preciso paziente, tenendo conto dell\u2019unicit\u00e0 che lo caratterizza, \u00e8 alla base della \u201cMedicina di Precisione\u201d, che si avvale di un approccio multidisciplinare, non necessariamente legato agli stereotipi della medicina convenzionale. In tale ambito le tecniche di intelligenza artificiale […]<\/p>\n","protected":false},"author":1,"featured_media":372,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[32],"tags":[],"class_list":{"0":"post-371","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-aimn"},"_links":{"self":[{"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/posts\/371","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/comments?post=371"}],"version-history":[{"count":1,"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/posts\/371\/revisions"}],"predecessor-version":[{"id":373,"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/posts\/371\/revisions\/373"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/media\/372"}],"wp:attachment":[{"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/media?parent=371"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/categories?post=371"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ilradiologo.org\/wp1\/wp-json\/wp\/v2\/tags?post=371"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}