KIA-Korekt: Valutazione AI Stadiata da Unimodale a Multimodale per la Previsione del Rischio Perioperatorio nel Cancro del Colon-Retto (KIA-Korekt)

Il carcinoma colorettale (CRC) è una delle neoplasie maligne più diffuse a livello mondiale. Nonostante i progressi nelle tecniche chirurgiche e nell'assistenza perioperatoria, le complicanze postoperatorie a breve termine rimangono frequenti e influenzano notevolmente la qualità di vita del paziente, i costi sanitari e la prognosi a lungo termine. Queste complicanze includono la deiscenza anastomotica, l'infezione della ferita, la sepsi, gli eventi tromboembolici e la mortalità intraospedaliera. I punteggi di rischio clinico esistenti (ASA, POSSUM) forniscono solo una stratificazione del rischio individualizzata limitata e non incorporano marcatori biologici derivati dall'imaging.

Lo studio KIA-Korekt affronta questa lacuna sviluppando e convalidando modelli predittivi basati sull'intelligenza artificiale per le complicanze perioperatorie nel CRC, integrando tre modalità di imaging complementari:

Istopatologia digitale: le immagini di interi vetrini colorate con ematossilina-eosina (H&E-WSI) provenienti da campioni di resezione chirurgica e biopsie preoperatorie vengono analizzate utilizzando l'apprendimento multi-istanza basato sull'attenzione (MIL) e le reti neurali convoluzionali (CNN), basandosi su pipeline consolidate del Dipartimento di Patologia Computazionale, TU Dresda (AG Kather).

Radiologia: le immagini TC e RM preoperatorie vengono elaborate utilizzando la segmentazione automatica (TotalSegmentator, nnU-Net) e l'estrazione di caratteristiche radiomiche (PyRadiomics). Le caratteristiche sono derivate dal tumore primario, dal muscolo psoas (sarcopenia) e dai compartimenti del grasso viscerale/sottocutaneo. Una pipeline dedicata di controllo qualità multi-metrica garantisce rappresentazioni stabili dei dati di imaging tra diversi scanner e protocolli di acquisizione.

Imaging tissutale multiplex (mTI): l'immunoistochimica multiplex con imaging multispettrale (mIHC-MSI) e la citometria di massa per imaging (IMC) vengono applicate al tessuto tumorale fissato in formalina e incluso in paraffina per caratterizzare le popolazioni cellulari immunitarie e stromali, le intensità di espressione dei marcatori e i modelli di distribuzione spaziale all'interno del microambiente tumorale.

I modelli unimodali vengono sviluppati e convalidati separatamente per ciascuna modalità. L'integrazione multimodale viene eseguita utilizzando la fusione a livello di caratteristiche, la fusione tardiva e l'apprendimento multi-istanza multimodale con meccanismi di cross-attenzione. Le prestazioni del modello vengono valutate utilizzando AUC-ROC, grafici di calibrazione, punteggi di Brier e Analisi delle Curve di Decisione. L'interpretabilità viene valutata utilizzando i valori SHAP e le mappe di calore dell'attenzione.

Lo studio utilizza un disegno di coorte misto retrospettivo (n=750, 2011-2021) e di validazione prospettica (n=210, 2026-2028). La coorte retrospettiva fornisce la base per lo sviluppo del modello e la validazione incrociata interna; la coorte prospettica consente la validazione esterna nel mondo reale in condizioni cliniche.

Un'analisi completa di correlazione macro-micro a livello del paziente indaga le associazioni tra fenotipi di imaging radiologici e caratteristiche istopatologiche e immunologiche microscopiche derivate dagli stessi tumori, consentendo intuizioni biologiche integrative uniche.

Lo studio è finanziato dall'Unione Europea e dallo Stato del Brandeburgo (HealthTranslateBB/FESR) e dalla Deutsche Forschungsgemeinschaft (DFG). L'approvazione etica è stata concessa dal comitato etico della Brandenburg Medical School Theodor Fontane. Tutti i partecipanti prospettici forniscono il consenso informato scritto. I dati retrospettivi vengono elaborati in forma pseudonimizzata in conformità al GDPR.

I risultati saranno diffusi attraverso pubblicazioni open access sottoposte a revisione paritaria e presentazioni a conferenze nazionali e internazionali.