Introduzione: La diffusione di cellule tumorali attraverso lo spazio aereo (STAS - spread through air spaces) si sta affermando sempre più come fattore prognostico indipendente nell'adenocarcinoma polmonare. E' già stato osservato che nei pazienti con adenocarcinoma STAS positivo, una resezione polmonare minone si associa ad un maggior rischio di recidiva locale e minore sopravvivenza globale rispetto ai pazienti sottoposti a lobectomia polmonare. Pertanto poter predire la presenza di STAS a partire dalle caratteristiche radiologiche del tumore potrebbe fornire importanti informazioni al chirurgo per la corretta scelta terapeutica.
Obiettivi: Obiettivo dello studio è predire la presenza di STAS in pazienti affetti da adenocarcinoma del polmone attraverso l'analisi delle immagini TC preoperatorie con tecniche di radiomica e machine-learning.
Materiali e metodi: Un gruppo di 100 pazienti, 50 STAS positivi e 50 STAS negativi, già sottoposti ad intervento chirurgico presso il nostro reparto, è stato incluso nella fase preliminare di training. Dalle immagini preoperatorie dei pazienti verranno estratte delle features di radiomica utilizzando il software Dicom-tools, un programma sviluppato dall'Istituto Nazionale di Fisica Nucleare e già applicato in lavori precedenti. Successivamente si procederà ad addestrare un classificatore con apprendimento supervisionato per predire la presenza o assenza di STAS a partire dal dato istologico già noto, testando vari modelli e scegliendo quello con accuratezza e AUC migliore.
Nella fase successiva dello studio, il modello scelto verrà testato su 50 nuovi pazienti consecutivi affetti da adenocarcinoma polmonare per predire la presenza di STAS.
Risultati: I risultati verranno analizzati per verificare l'adeguatezza del modello predittivo nella valutazione preoperatoria di STAS e verificare l'impatto che questo può avere sulla pratica clinica.
Numerosi studi hanno dimostrato che la radiomica potrebbe fornire un approccio non invasivo alla caratterizzazione delle lesioni tumorali e potrebbe essere una metodica che può fornire indicazioni utili durante il processo decisionale clinico (19, 21).
In particolare, nei pazienti affetti da adenocarcinoma polmonare, diversi studi hanno dimostrato il potenziale della radiomica nella previsione delle metastasi linfonodali (22) e della risposta al trattamento (23, 24) e nella prognosi (25) dei pazienti. Pochi sono ancora gli studi di radiomica applicati alla previsione di STAS nel cancro, nonostante sia un parametro istologico sempre più preso in considerazione per il suo impatto sulla sopravvivenza e sulle recidive.
È stato descritto che la presenza di STAS è associata a una sopravvivenza minore nei pazienti sottoposti a resezione sublobare rispetto a quelli sottoposti a lobectomia. Predire la presenza di STAS nelle immagini radiologiche preoperatorie potrebbe quindi fornire importanti informazioni al chirurgo sul tipo di resezione da eseguire e potrebbe cambiare, in futuro, le linee guida internazionali.
REFERENCES
19. Lambin P, Leijenaar RTH, Deist TM et al (2017) Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol 14:749¿762
20. Bonekamp D, Kohl S, Wiesenfarth M et al (2018) Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values. Radiology 289:128¿137
21. Ueno Y, Forghani B, Forghani R et al (2017) Endometrial carcinoma: MR imaging-based texture model for preoperative risk stratification-a preliminary analysis. Radiology 284:748¿757
22. Gu Y, She Y, Xie D, Dai C, Ren Y, Fan Z et al. A texture analysis-based prediction model for lymph node metastasis in stage IA lung adenocarcinoma. Ann Thorac Surg 2018;106:214,20.
23. Coroller TP, Agrawal V, Huynh E, Narayan V, Lee SW, Mak RH et al. Radiomic-based pathological response prediction from primary tumors and lymph nodes in NSCLC. J Thorac Oncol 2017;12:467,76.
24. Coroller TP, Agrawal V, Narayan V, Hou Y, Grossmann P, Lee SW et al. Radiomic phenotype features predict pathological response in non-small cell lung cancer. Radiother Oncol 2016;119:480,6.
25. Lee G, Park H, Sohn I, Lee SH, Song SH, Kim H et al. Comprehensive computed tomography radiomics analysis of lung adenocarcinoma for prognostication. Oncologist 2018;23:806,13.