Applicazione della Radiomica basata sulla Risonanza Magnetica Multimodale nella Classificazione Istologica e nella Valutazione Prognostica del Carcinoma Mammario

Oltre alla stadiazione TNM, l'attuale gestione del carcinoma mammario si basa su caratteristiche patologiche convenzionali che classificano la malattia in tre sottotipi molecolari, ciascuno con significative implicazioni prognostiche nella pratica clinica: carcinoma mammario positivo per il recettore 2 del fattore di crescita epidermico umano (HER2), luminale (recettore ormonale-positivo e HER2-negativo) e carcinoma mammario triplo negativo. L'iperespressione o l'amplificazione di HER2 si osserva nel 10-15% dei casi di carcinoma mammario. Questo fenomeno spesso si correla con un comportamento tumorale più aggressivo, pur dimostrando una maggiore responsività alle terapie mirate a HER2. Tuttavia, l'uso di farmaci anti-HER2 altamente efficaci può migliorare significativamente gli esiti di sopravvivenza di questi pazienti. Inoltre, lo stato di espressione di HER2 è cruciale nel determinare la necessità di una terapia mirata. Pertanto, la valutazione preoperatoria dello stato di espressione di HER2 ha importanti implicazioni terapeutiche. Attualmente, i metodi clinici per valutare lo stato di HER2 nel carcinoma mammario prima dell'intervento includono test di immunoistochimica (IHC) e misurazioni di ibridazione in situ a fluorescenza (FISH) eseguite su campioni di biopsia con ago. Tuttavia, queste tecniche di campionamento bioptico hanno limitazioni intrinseche, tra cui il bias di campionamento e l'incapacità di rappresentare pienamente l'eterogeneità intratumorale. Inoltre, la procedura di biopsia può essere scomoda e comporta determinati rischi per i pazienti. L'eterogeneità tumorale si riferisce generalmente alle variazioni nell'angiogenesi, nel metabolismo, nell'espressione genica e in altre caratteristiche biologiche tra i tumori. L'eterogeneità intratumorale (ITH) può manifestarsi come differenze di segnale nelle immagini radiologiche a livello macroscopico. I ricercatori hanno ipotizzato che esistano differenze significative nelle caratteristiche biologiche e nel comportamento tra i carcinomi mammari HER2-positivi (HER2+) e HER2-negativi (HER2-), consentendo di distinguere questi due tipi di tumori identificando specifiche caratteristiche di imaging che riflettono l'ITH.

La risonanza magnetica dinamica con mezzo di contrasto (DCE-MRI) è una modalità di imaging efficace che fornisce informazioni temporali riguardanti la dinamica degli agenti di contrasto nelle lesioni sospette, mantenendo una risoluzione spaziale accettabile. È particolarmente sensibile nel rilevare le lesioni del carcinoma mammario, specialmente quelle nel tessuto mammario denso. La DCE-MRI può riflettere indirettamente la proliferazione vascolare tumorale anomala attraverso le caratteristiche emodinamiche delle lesioni. La radiomica è una tecnologia emergente che coinvolge l'estrazione di caratteristiche quantitative e riproducibili da immagini mediche utilizzando modalità sofisticate ad alto rendimento, spesso difficili da identificare o quantificare visivamente. Queste caratteristiche, che possono essere collegate a specifiche malattie, vengono analizzate utilizzando algoritmi statistici o di machine learning (ML) per creare modelli predittivi per la diagnosi tumorale, la classificazione, la valutazione dell'efficacia e la previsione della prognosi. L'ML presenta due importanti vantaggi rispetto ai modelli statistici tradizionali. L'obiettivo è ridurre il tempo decisionale durante la diagnosi e generalmente ottenere una maggiore accuratezza diagnostica. Come dimostrato nella diagnosi del carcinoma mammario, l'ML può migliorare significativamente la previsione del rischio di cancro identificando pattern complessi in grandi quantità di dati clinici. Nonostante il grande potenziale dell'ML, esso affronta ancora diversi ostacoli nella sua applicazione clinica. Una sfida importante è la mancanza di interpretabilità - molti modelli di ML operano come "scatole nere", rendendo difficile per i clinici comprendere e fidarsi dei loro processi decisionali. Inoltre, le prestazioni del modello dipendono fortemente dalla qualità e dalla rappresentatività dei dati di addestramento. I metodi di ML spesso richiedono set di dati più ampi rispetto agli studi clinici tradizionali.

Pertanto, questo studio mirava a sviluppare un modello di ML basato sulla radiomica che potesse prevedere lo stato di HER2 dei carcinomi mammari in modo non invasivo utilizzando immagini DCE-MRI. Inoltre, è stato impiegato l'algoritmo Shapley Additive Explanation (SHAP) per analizzare il contributo delle variabili incluse nel modello, fornendo preziose intuizioni per formulare piani di trattamento preoperatorio più accurati per i pazienti con carcinoma mammario.