ESMO-IO 2019 — Radiomica e intelligenza artificiale nell’immuno-oncologia


  • Carolina Rojido
  • Univadis
L'accesso ai contenuti di questo sito è riservato agli operatori del settore sanitario italiano L'accesso ai contenuti di questo sito è riservato agli operatori del settore sanitario italiano

Conclusioni

  • La radiomica è un campo in forte crescita nell’analisi delle immagini mediche che sembra promettente per la medicina di precisione.
  • Sono necessari ulteriori studi per migliorare le prestazioni predittive e la generalizzabilità dei modelli radiomici.    

Perché è importante

Le biopsie lamentano una serie di limitazioni:

  • eterogeneità del tumore;
  • dimensioni del campione;
  • invasività per i pazienti.

La radiomica è la conversione delle tecniche di diagnostica per immagini convenzionali (TAC, RMI) in dati quantitativi estraibili che possono essere utilizzati per la caratterizzazione morfologica e la progettazione di sistemi di diagnostica, previsione della risposta o profilazione biologica assistite dal computer (computer aided diagnostics, CAD; computer aided response prediction, CARP; computer aided biological profiling, CABP). Le caratteristiche radiomiche sono risultate associate in modo significativo a biomarcatori clinicamente rilevanti come ER, PR ed HER2 nei tumori mammari.

Gli approcci radiogenomici offrono alcuni vantaggi:

  • non invasività;
  • tengono conto dell’eterogeneità;
  • analisi completa del carico tumorale;
  • consentono un follow-up seriale.

Presentano tuttavia anche delle problematiche:

  • acquisizione, ricostruzione e registrazione delle immagini;
  • impatto, concordanza e automazione della segmentazione;
  • riproducibilità, ridondanza e automazione dell’estrazione delle caratteristiche;
  • “overfitting” del modello e modelli statistici rispetto a modelli basati sull’intelligenza artificiale (AI).

“L’intelligenza artificiale sembra inizialmente applicabile in modo ottimale a radiologia e istopatologia, l’interpretazione delle scansioni ma anche l’istopatologia ad esse associata, mentre la previsione degli esiti è probabilmente migliore mediante modelli computerizzati nel breve, medio e lungo periodo rispetto alla radiologia tradizionale. Presto, una quantità enorme di questo lavoro potrebbe essere svolta da modelli informatici. L’aspetto più importante inizialmente è l’inserimento dei dati, perché l’AI si basa su grandi quantità di dati per l’apprendimento e in definitiva la produzione di algoritmi in grado di predire la biologia (incluse le mutazioni) di un’area e come risponde alla terapia.

Un altro aspetto è la base istopatologica della malattia nella sua presentazione attuale. Probabilmente sarà trasformata in metodi che non necessitano di singole colorazioni per riconoscere il tipo di tumore e le sue mutazioni, ma possono farlo attraverso algoritmi e insegnando al computer come appare lo stato positivo e negativo tramite modelli matematici.

Questi sono i risultati più facili da raggiungere. 

Infine, in futuro potremmo identificare e sviluppare nuovi trattamenti e nuovi bersagli, come i neoantigeni, con grandi quantità di dati e modelli computerizzati accurati”.

Dott. Thomas Powles. Professore di oncologia genitourinaria, Direttore, Barts Cancer Centre,Responsabile della Ricerca sui tumori solidi, Londra, Regno Unito.