Radiomik og maskinlæring i diagnosticering af ovariemasser (Multi-AROMA)

Den korrekte differentialdiagnose mellem benigne og ondartede adnexale masser er hovedmålet for præoperativ ultralydsdiagnostik og er meget vigtig for at planlægge den korrekte behandling for patienten i form af kirurgisk team (gynækolog onkolog eller benign patologisk center), kirurgisk adgang (laparoskopi / laparotomi) ) og type operation (konservativ/demolitiv).

Der er udviklet adskillige ultralydsmodeller for at hjælpe gynækologer med at definere risikoen for malignitet af adnexale masser. For at bruge de prædiktive modeller skulle undersøgeren indsamle visse ultralydstræk ved læsionen, som integreret med patientens kliniske og/eller biokemiske karakteristika gav en risiko for malignitet i massen.

For nylig dukker radiomik op som et interessant værktøj, der skal anvendes til diagnostisk billeddannelse (computertomografi, magnetisk resonans og endda ultralyd). Radiomik er evalueringen af ​​billeder gennem kompleks software, der gør det muligt at 'læse' de iboende egenskaber af vævet identificerende aspekter, som ikke er synlige ved subjektiv fortolkning af operatøren, på en fuldautomatisk og derfor reproducerbar måde.

Radiomik anvendt på kunstig intelligens til skabelse af prædiktive modeller repræsenterer et interessant værktøj til at overvinde begrænsningerne ved tidligere modeller, i det mindste delvist afhængigt af operatørens erfaring.

Blandt den serøse ovariecancer repræsenterer dem med BRCA-genmutation en interessant undergruppe og er karakteriseret ved en anden patofysiologisk historie end vildtypetumorer på grund af større kemosensitivitet og muligheden for målrettet behandling med antiangiogene lægemidler og PARP-hæmmere.

Anvendelsen af ​​radiomik til præoperative ultralydsbilleder kunne identificere BRCA-muterede tumorer før kirurgisk planlægning (radiogenomisk analyse) og tillade en personlig behandling.

Formålet med undersøgelsen er at validere en prædiktiv model til at definere risikoen for malignitet af adnexale masser, som efterforskerne udviklede ved Fondazione IRCCS Istituto Nazionale dei Tumori di Milano.

Modellen, der er baseret på integration af radiomik og kunstig intelligens, bruger kompleks software, der er i stand til at 'læse' ultralydsbillederne på en fuldstændig automatisk måde og er i stand til at estimere risikoen for malignitet i massen.

Hvis patienten beslutter sig for at deltage i det kliniske studie, vil patienten gennemgå transvaginal ultralyd (til sidst suppleret med transabdominal ultralyd i tilfælde af store adnexale masser, hvis patienterne er jomfruer, eller hvis patienterne vil afvise transvaginal tilgang af en eller anden grund). Denne undersøgelse er en del af den rutinemæssige præoperative evaluering for adnexal patologi, og derfor behøver patienterne ikke at gennemgå nogen yderligere klinisk, biokemisk eller billeddiagnostisk undersøgelse i henhold til nationale og internationale retningslinjer.

Herefter vil billederne, der er gemt under den præoperative ultralyd, blive eksporteret i anonymt format fra ultralydssystemet og sendt til koordineringscentret (Fondazione IRCCS Istituto Nazionale dei Tumori di Milano). Der vil billeder blive underkastet radiomisk analyse ved anvendelse af en dedikeret software; som vil gøre det muligt at evaluere vævets iboende karakteristika i henhold til forskellige parametre (form, intensitet, grad af heterogenitet og mange andre) af de 'pixels' (grå prikker), der udgør ultralydsbilledet.

Denne analyse, når den er valideret, vil give klinikere et yderligere værktøj til at identificere ondartede adnexale masser før operation.

Hvis den endelige histologiske diagnose er serøs epitelial ovariecancer, vil efterforskerne ved hjælp af den samme radiomiksoftware som beskrevet ovenfor forsøge at identificere de iboende karakteristika af vævet forbundet med tilstedeværelsen eller fraværet af BRCA 1- eller 2-mutationen