Dottorato in MEDICINA SPERIMENTALE

Titolo della tesi: Radiomica e Intelligenza Artificiale per la Caratterizzazione di Lesioni Renali Solide in Tomografia Computerizzata

BACKGROUND E RAZIONALE: L'incidenza dei tumori renali è in costante aumento, in larga parte per l'incremento delle diagnosi incidentali legate all'esteso utilizzo di esami di imaging addominale. Una quota non trascurabile delle lesioni renali asportate risulta però istologicamente benigna o a bassa aggressività, con rischio di over-treatment chirurgico. Le principali sfide riguardano la differenziazione tra carcinoma a cellule renali (CCR), con i rispettivi istotipi di CCR a cellule chiare (CCRcc) e CCR cromofobo (CCRcr) e tumori benigni, quali angiomiolipoma (AML) e oncocitoma, che spesso condividono molte caratteristiche di imaging e istologiche. In questo contesto, la radiomica applicata alla tomografia computerizzata (TC) consente di quantificare la eterogeneità intra-tumorale, potenziale biomarcatore di aggressività biologica, ma il suo impiego clinico è ancora limitato e scarsamente standardizzato. Obiettivo del presente studio è stato quello di valutare le performance diagnostica di specifiche feature radiomiche estratte da immagini TC con mezzo di contrasto, integrate poi in un modello di machine learning (ML) in forma di albero decisionale, per distinguere lesioni renali maligne da benigne e, in sotto-analisi, differenziare CCR da AML e CCRcr da oncocitoma. MATERIALI E METODI: È stato condotto uno studio retrospettivo su pazienti consecutivi esaminati tra maggio 2022 e gennaio 2025, sottoposti a TC addominale multi-fasica con mezzo di contrasto per lesioni renali solide e con diagnosi istologica definitiva dopo chirurgia o biopsia. Sono stati esclusi i casi senza TC pre-trattamento, senza conferma istologica, con lesioni prevalentemente cistiche o con immagini non diagnostiche. Tutti gli esami sono stati eseguiti con TC multistrato a doppia sorgente (384 strati, Siemens SOMATOM Force) secondo protocollo standardizzato: acquisizioni in apnea, 120 kVp, 200–650 mAs con modulazione automatica, spessore 4–5 mm, matrice 512×512, in fasi basale, arteriosa, venosa/portale e tardiva dopo somministrazione endo-venosa di mezzo di contrasto iodato (1,5 ml/kg). Per l'analisi radiomica è stata utilizzata esclusivamente la fase venosa/portale (75 s), ritenuta più omogenea per la valutazione del parenchima renale. Le lesioni sono state inizialmente valutate morfologicamente (diametro massimo sul piano assiale) e successivamente segmentate manualmente nei tre piani (assiale, coronale, sagittale) su 3D Slicer, ottenendo VOI tridimensionali, con soglia a –50 HU per escludere gas e tessuto adiposo periferico. Sulle immagini filtrate con metodo filtration-histogram sono stati applicati tre Spatial Scaling Factors (SSF = 2 mm, 4 mm, 6 mm): il filtro fine (SSF = 2) enfatizza la micro-eterogeneità parenchimale, i filtri medium e coarse (SSF = 4, 6) le componenti più grossolane e vascolari. Da ciascun VOI, mediante PyRadiomics, sono state estratte quattro specifiche feature radiomiche (entropy, kurtosis, MPP, skewness) per ciascun livello di filtraggio. Le feature sono state analizzate con regressione logistica binaria per identificare i predittori indipendenti di malignità e sono state calcolate le curve ROC (AUC, sensibilità, specificità) per valutarne la performance diagnostica. Le feature risultate significative sono state infine integrate in un algoritmo ML ad albero decisionale (J48, software WEKA) per ottenere un modello di classificazione interpretabile in grado di discriminare tra CCRcc, CCRcr, AML e oncocitoma. RISULTATI: La popolazione di studio è risultata essere costituita da 112 pazienti (età media 61 ± 13 anni; 56% maschi, 44% femmine), di cui il 65% presentava lesioni maligne e il 35% lesioni benigne; le lesioni maligne erano mediamente più grandi delle benigne (4,5 ± 3,5 vs 3,4 ± 2,4 cm; p < 0,001). All’analisi di regressione logistica sulle lesioni maligne rispetto a benigne, solo entropy e skewness con filtro fine (SSF = 2) sono risultate significativamente associate alla malignità: entropy (OR = 13,72; p = 0,021) e skewness (OR = 2,06; p = 0,033) aumentavano la probabilità di classificare la lesione come maligna, mentre kurtosis e MPP non hanno mostrato associazioni significative. Le lesioni maligne presentavano valori medi di entropy (SSF = 2) più elevati rispetto a quelle benigne (5,49 ± 0,31 vs 5,38 ± 0,26; p = 0,036) e di skewness (–0,09 ± 0,30 vs –0,28 ± 0,52; p = 0,012), a indicare una maggiore complessità strutturale e una distribuzione dei livelli di grigio nei pixel più asimmetrica. Nella discriminazione maligno rispetto a benigno, entropy (SSF = 2; cut-off > 5,63) ha mostrato AUC = 0,581, specificità 86% e sensibilità 32%, mentre skewness (SSF = 2; cut-off > 0,03) ha fornito AUC = 0,622, specificità 81% e sensibilità 53%. Nella sotto-analisi CCR rispetto ad AML, un incremento di entropy (SSF = 2) risultava associato a maggior probabilità di malignità (OR = 1,03; p = 0,048), con valori medi più elevati nei CCR rispetto agli AML (5,49 ± 0,31 vs 5,31 ± 0,27; p = 0,009) e performance ROC caratterizzata da AUC = 0,659 (cut-off > 5,68), specificità 98% e sensibilità 34%. Nella distinzione tra CCRcr e oncocitoma, entropy (SSF = 2) ha mostrato un effetto opposto, con valori medi significativamente più elevati nell’oncocitoma rispetto al CCRcr (5,43 ± 0,26 vs 5,34 ± 0,19; p = 0,026), AUC = 0,631 (cut-off > 5,58), specificità 92% e sensibilità 35%. L’algoritmo di ML in forma J48 ha selezionato un modello finale costituito da tre principali feature: entropy a SSF = 2 (2_entropy), entropy a SSF = 4 (4_entropy) e skewness a SSF = 2 (2_skewness). Il nodo radice è rappresentato da 2_entropy (soglia principale 5,12), che consente una prima separazione tra lesioni a bassa e alta eterogeneità; in presenza di 2_entropy ≤ 5,12, 4_entropy discrimina tra AML e CCRcc, mentre per 2_entropy > 5,12 interviene 2_skewness per indirizzare la classificazione verso CCRcc o verso un ulteriore nodo basato su 2_entropy (soglia 5,27) per distinguere CCRcr da oncocitoma. Nel complesso, il modello fornisce un percorso decisionale schematico per la classificazione nei principali istotipi considerati. DISCUSSIONE E CONCLUSIONI: I risultati confermano che alcune misure radiomiche di eterogeneità e distribuzione dei pixel nelle immagini radiologiche di TC, in particolare entropy e skewness con filtro spaziale fine (SSF = 2), risultano essere significativamente associate alla malignità delle lesioni renali solide e offrono un contributo aggiuntivo nella distinzione tra CCR e AML, nonché tra CCRcr e oncocitoma. Sebbene le AUC ottenute siano complessivamente moderate, l’elevata specificità osservata per entropy (e, in parte, per skewness) suggerisce un potenziale ruolo di questi parametri come marcatori “rule-in”, utili a rafforzare il sospetto di malignità quando tali valori risultino elevati. L’integrazione delle feature significative in un modello ML interpretabile (albero decisionale J48) consente di trasformare misure radiomiche astratte in regole decisionali esplicite, facilmente leggibili dal radiologo, migliorando la trasparenza e la potenziale accettabilità clinica. In scenari clinici selezionati, come lesioni renali incidentali indeterminate o pazienti in cui la decisione tra biopsia, chirurgia o sorveglianza attiva è complessa, un modello radiomico ad alta specificità potrebbe operare come “second reader” quantitativo, affiancando la valutazione morfologica convenzionale e contribuendo alla riduzione di resezioni chirurgiche non necessarie di lesioni benigne.