Radiomica - Radiomics
Nel campo della medicina, la radiomica è un metodo che estrae un gran numero di caratteristiche dalle immagini mediche utilizzando algoritmi di caratterizzazione dei dati. Queste caratteristiche, chiamate caratteristiche radiomiche, hanno il potenziale per scoprire modelli e caratteristiche tumorali che non possono essere apprezzati ad occhio nudo. L'ipotesi della radiomica è che le caratteristiche distintive dell'imaging tra le forme della malattia possano essere utili per prevedere la prognosi e la risposta terapeutica per vari tipi di cancro, fornendo così preziose informazioni per una terapia personalizzata. La radiomica è emersa dai campi medici della radiologia e dell'oncologia ed è la più avanzata nelle applicazioni all'interno di questi campi. Tuttavia, la tecnica può essere applicata a qualsiasi studio medico in cui è possibile visualizzare un processo patologico.
Processi
Acquisizione dell'immagine
I dati dell'immagine sono forniti da modalità radiologiche come CT, MRI, PET/CT o anche PET/MR. I volumi di dati grezzi prodotti vengono utilizzati per trovare diverse caratteristiche di pixel/voxel tramite strumenti di estrazione.
Le caratteristiche estratte vengono salvate in grandi database a cui le cliniche hanno accesso in modo da consentire un lavoro ampiamente collaborativo e cumulativo in cui tutti possono beneficiare di crescenti quantità di dati, consentendo idealmente un flusso di lavoro più preciso.
Segmentazione dell'immagine
Dopo che le immagini sono state salvate nel database, devono essere ridotte alle parti essenziali, in questo caso i tumori, che vengono chiamati “volumi di interesse”.
A causa dei grandi dati di immagine che devono essere elaborati, sarebbe troppo lavoro eseguire la segmentazione manualmente per ogni singola immagine se viene creato un database radiomico con molti dati. Invece della segmentazione manuale, deve essere utilizzato un processo automatizzato. Una possibile soluzione sono algoritmi di segmentazione automatica e semiautomatica. Prima di poter essere applicato su larga scala, un algoritmo deve ottenere il punteggio più alto possibile nelle seguenti quattro attività:
- Innanzitutto, deve essere riproducibile, il che significa che quando viene utilizzato sugli stessi dati il risultato non cambierà.
- Un altro fattore importante è la consistenza. L'algoritmo risolve il problema in questione ed esegue il compito piuttosto che fare qualcosa che non è importante. In questo caso è necessario che l'algoritmo possa rilevare la parte malata in tutte le diverse scansioni.
- Anche l'algoritmo deve essere accurato. È molto importante che l'algoritmo rilevi la parte malata nel modo più preciso possibile. Solo con dati accurati si possono ottenere risultati accurati.
- Un punto minore ma comunque importante è l'efficienza del tempo. I risultati dovrebbero essere generati il più velocemente possibile in modo che anche l'intero processo della radiomica possa essere accelerato. Un punto minore significa in questo caso che, se si trova in un certo frame, non è importante quanto gli altri.
Estrazione e qualificazione delle caratteristiche
Dopo la segmentazione, possono essere estratte molte caratteristiche e può essere calcolata la variazione netta relativa dalle immagini longitudinali (delta-radiomica). Le caratteristiche radiomiche possono essere suddivise in cinque gruppi: caratteristiche basate sulla dimensione e sulla forma, descrittori dell'istogramma dell'intensità dell'immagine, descrittori delle relazioni tra i voxel dell'immagine (ad es. matrice di co-occorrenza a livello di grigio (GLCM), matrice di lunghezza della corsa (RLM), trame derivate dalla matrice di zona di dimensione (SZM) e dalla matrice di differenza di tono di grigio vicinato (NGTDM), trame estratte da immagini filtrate e caratteristiche frattali. Le definizioni matematiche di queste caratteristiche sono indipendenti dalla modalità di imaging e possono essere trovate nella letteratura. la descrizione delle caratteristiche di tessitura per la radiomica può essere trovata in Parekh, et al., (2016) e Depeursinge et al. (2017).
A causa della sua enorme varietà, è necessario implementare riduzioni delle funzionalità per eliminare le informazioni ridondanti. Centinaia di caratteristiche diverse devono essere valutate con algoritmi di selezione per accelerare questo processo. Inoltre, le caratteristiche instabili e non riproducibili dovrebbero essere eliminate poiché le caratteristiche con bassa fedeltà porteranno probabilmente a risultati spuri e modelli irripetibili.
Analisi
Dopo la selezione delle caratteristiche importanti per il nostro compito è fondamentale analizzare i dati scelti. Prima dell'analisi vera e propria, i dati clinici e molecolari (a volte anche genetici) devono essere integrati perché hanno un grande impatto su ciò che può essere dedotto dall'analisi. Esistono diversi metodi per analizzare finalmente i dati. Innanzitutto, le diverse caratteristiche vengono confrontate tra loro per scoprire se hanno informazioni in comune e per rivelare cosa significa quando si verificano tutte contemporaneamente.
Un altro modo è l'analisi supervisionata o non supervisionata. L'analisi supervisionata utilizza una variabile di risultato per poter creare modelli di previsione. L'analisi non supervisionata riassume le informazioni che abbiamo e possono essere rappresentate graficamente. In modo che la conclusione dei nostri risultati sia chiaramente visibile.
Banche dati
Creazione
Sono necessari diversi passaggi per creare un database radiomico integrato. I dati di imaging devono essere esportati dalle cliniche. Questo è già un passaggio molto impegnativo perché le informazioni sui pazienti sono molto sensibili e regolate dalle leggi sulla privacy, come HIPAA . Allo stesso tempo, i dati esportati non devono perdere la loro integrità quando vengono compressi, in modo che il database incorpori solo dati della stessa qualità. Anche l'integrazione dei dati clinici e molecolari è importante ed è necessaria una grande posizione di archiviazione delle immagini.
Utilizzo
L'obiettivo della radiomica è quello di poter utilizzare questo database per nuovi pazienti. Ciò significa che abbiamo bisogno di algoritmi che eseguano nuovi dati di input attraverso il database che restituiscano un risultato con informazioni su come potrebbe essere il decorso della malattia dei pazienti. Ad esempio, quanto velocemente crescerà il tumore o quante sono le probabilità che il paziente sopravviva per un certo tempo, se sono possibili metastasi a distanza e dove. Questo determina come viene selezionato l'ulteriore trattamento (come chirurgia, chemioterapia, radioterapia o farmaci mirati ecc.) e la migliore soluzione che massimizza la sopravvivenza o il miglioramento. L'algoritmo deve riconoscere le correlazioni tra le immagini e le caratteristiche, in modo che sia possibile estrapolare dal materiale del database ai dati di input.
Applicazioni
Previsione degli esiti clinici
Aerts et al. (2014) hanno eseguito il primo studio radiomico su larga scala che includeva tre coorti di cancro del polmone e due della testa e del collo, composto da oltre 1000 pazienti. Hanno valutato i valori prognostici di oltre 400 caratteristiche strutturali e basate sulla forma e sull'intensità estratte dalle immagini di tomografia computerizzata (TC) acquisite prima di qualsiasi trattamento. I volumi del tumore sono stati definiti da radioterapisti esperti o utilizzando metodi di segmentazione semiautomatici. I loro risultati hanno identificato un sottoinsieme di caratteristiche radiomiche che possono essere utili per prevedere la sopravvivenza del paziente e descrivere l'eterogeneità intratumorale. Hanno anche confermato che la capacità prognostica di queste caratteristiche radiomiche può essere trasferita dal cancro del polmone al cancro della testa e del collo. Tuttavia, Parmar et al. (2015) hanno dimostrato che il valore prognostico di alcune caratteristiche radiomiche può dipendere dal tipo di cancro. In particolare, hanno osservato che non tutte le caratteristiche radiomiche che predicevano significativamente la sopravvivenza dei pazienti con cancro del polmone potevano anche prevedere la sopravvivenza dei pazienti con cancro della testa e del collo e viceversa.
Nasief et al. (2019) hanno mostrato che i cambiamenti delle caratteristiche radiomiche nel tempo nelle immagini longitudinali (caratteristiche delta-radiomiche, DRF) possono essere potenzialmente utilizzate come biomarcatore per prevedere la risposta al trattamento per il cancro del pancreas. I loro risultati hanno mostrato che una rete neurale di regolarizzazione bayesiana può essere utilizzata per identificare un sottoinsieme di DRF che hanno dimostrato cambiamenti significativi tra risposte buone e cattive dopo 2-4 settimane di trattamento con un AUC = 0,94. Hanno anche dimostrato (Nasief et al., 2020) che i DRF sono predittori indipendenti di sopravvivenza e se combinati con il biomarcatore clinico CA19-9 possono migliorare la previsione della risposta al trattamento e aumentare la possibilità di adattamento del trattamento basato sulla risposta.
Diversi studi hanno anche dimostrato che le caratteristiche radiomiche sono migliori nel predire la risposta al trattamento rispetto alle misure convenzionali, come il volume e il diametro del tumore e l'assorbimento massimo del radiotracciante sull'imaging con tomografia a emissione di positroni (PET). Utilizzando questa tecnica è stato sviluppato un algoritmo, dopo un training iniziale basato sulla densità dei linfociti intratumorali, per prevedere la probabilità di risposta del tumore all'immunoterapia, fornendo una dimostrazione del potenziale clinico della radiomica come potente strumento per la terapia personalizzata nel campo emergente della immunooncologia. Altri studi hanno anche dimostrato l'utilità della radiomica per predire la risposta immunoterapeutica dei pazienti con NSCLC utilizzando TC pre-trattamento e immagini PET/TC .
La radiomica rimane inferiore alle tecniche convenzionali in alcune applicazioni, suggerendo la necessità di un continuo miglioramento e manipolazione delle caratteristiche della radiomica in diversi scenari clinici. Ad esempio, Ludwig et. al (2020) hanno dimostrato che le caratteristiche morfologiche della radiomica erano inferiori alle caratteristiche precedentemente stabilite nella discriminazione dello stato di rottura dell'aneurisma intracranico dall'angiografia rotazionale tridimensionale .
Prognosi
Studi radiomici hanno dimostrato che i marcatori basati su immagini hanno il potenziale per fornire informazioni ortogonali alla stadiazione e ai biomarcatori e migliorare la prognosi.
Rischio predittivo di metastasi a distanza
Il potenziale metastatico dei tumori può anche essere previsto dalle caratteristiche radiomiche. Ad esempio, 35 caratteristiche radiomiche basate sulla TC sono state identificate come predittive di metastasi a distanza del cancro del polmone in uno studio di Coroller et al. nel 2015. Hanno quindi concluso che le caratteristiche radiomiche possono essere utili per identificare i pazienti ad alto rischio di sviluppare metastasi a distanza, guidando i medici a selezionare il trattamento efficace per i singoli pazienti.
Valutazione della genetica del cancro
I meccanismi biologici del tumore polmonare possono dimostrare modelli di imaging distinti e complessi. In particolare, Aerts et al. (2014) hanno mostrato che le caratteristiche radiomiche erano associate a set di geni biologici, come la fase del ciclo cellulare, la ricombinazione del DNA, la regolazione del processo del sistema immunitario, ecc. Inoltre, varie mutazioni del glioblastoma (GBM), come la delezione 1p/19q, la metilazione dell'MGMT , TP53, EGFR e NF1, hanno dimostrato di essere significativamente predetti dalle misure volumetriche di risonanza magnetica (MRI), compreso il volume del tumore, il volume della necrosi e il volume di miglioramento del contrasto.
Radioterapia guidata da immagini
La radiomica offre il vantaggio di essere non invasiva e può quindi essere ripetuta prospetticamente per un dato paziente più facilmente rispetto alle biopsie tumorali invasive. È stato suggerito che la radiomica potrebbe essere un mezzo per monitorare i cambiamenti dinamici del tumore nel corso della radioterapia e per definire i sottovolumi a rischio per i quali l'aumento della dose potrebbe essere vantaggioso.
Distinguere la vera progressione dalla radionecrosi
L'effetto del trattamento o la necrosi da radiazioni dopo la radiochirurgia stereotassica (SRS) per le metastasi cerebrali è un fenomeno comune spesso indistinguibile dalla vera progressione. La radiomica ha dimostrato differenze significative in un insieme di 82 lesioni trattate in 66 pazienti con esiti patologici. Le caratteristiche radiomiche di prim'ordine alimentate in un classificatore IsoSVM ottimizzato hanno determinato una sensibilità e una specificità rispettivamente del 65,38% e dell'86,67%, con un'area sotto la curva di 0,81 sulla convalida incrociata leave-one-out. Solo il 73% dei casi era classificabile dal neuroradiologo, con una sensibilità del 97% e una specificità del 19%. Questi risultati mostrano che la radiomica è promettente per la differenziazione tra l'effetto del trattamento e la vera progressione nelle metastasi cerebrali trattate con SRS.
Previsione di eventi fisiologici
La radiomica può anche essere utilizzata per identificare eventi fisiologici impegnativi come l'attività cerebrale, che di solito viene studiata con tecniche di imaging come la risonanza magnetica funzionale "fMRI". Le immagini grezze FMRI possono essere sottoposte ad analisi radiomiche per generare caratteristiche di imaging che possono essere successivamente correlate con un'attività cerebrale significativa.
Radiomica multiparametrica
L'imaging radiologico multiparametrico è vitale per il rilevamento, la caratterizzazione e la diagnosi di molte malattie diverse. Tuttavia, i metodi attuali in radiomica sono limitati all'utilizzo di singole immagini per l'estrazione di queste caratteristiche strutturali e possono limitare l'ambito applicabile della radiomica in diversi contesti clinici. Pertanto, nella forma attuale, non sono in grado di catturare le vere caratteristiche del tessuto sottostante nello spazio di imaging multiparametrico ad alta dimensione.
Recentemente, è stato sviluppato un framework radiomico di imaging multiparametrico denominato MPRAD per l'estrazione di caratteristiche radiomiche da dataset ad alta dimensione. La Radiomica Multiparametrica è stata testata su due diversi organi e patologie; cancro al seno e incidenti cerebrovascolari nel cervello, comunemente indicati come ictus.
Tumore al seno
Nel carcinoma mammario, il framework MPRAD ha classificato le lesioni mammarie maligne da benigne con un'eccellente sensibilità e specificità rispettivamente dell'87% e dell'80,5% con un'AUC di 0,88. MPRAD ha fornito un aumento del 9%-28% dell'AUC rispetto ai singoli parametri radiomici. Ancora più importante, nel seno, il tessuto ghiandolare normale MPRAD era simile tra ciascun gruppo senza differenze significative.
Ictus
Allo stesso modo, le caratteristiche di MPRAD nell'ictus cerebrale hanno dimostrato prestazioni migliorate nel distinguere il disadattamento perfusione-diffusione rispetto alla radiomica a parametro singolo e non c'erano differenze all'interno del tessuto della materia bianca e grigia. La maggior parte delle singole caratteristiche radiomiche del secondo ordine (GLCM) non ha mostrato alcuna differenza strutturale significativa tra tessuto infartuato e tessuto a rischio sulla mappa dell'ADC. Considerando che le stesse caratteristiche radiomiche multiparametriche del secondo ordine (TSPM) erano significativamente diverse per il set di dati DWI. Allo stesso modo, i valori radiomici multiparametrici per il set di dati TTP e PWI hanno dimostrato risultati eccellenti per l'MPRAD. L'MPRAD TSPM Entropy ha mostrato una differenza significativa tra il tessuto infartuato e il potenziale tessuto a rischio: (6,6±0,5 vs 8,4±0,3, p=0,01).
