L'Intelligenza Artificiale nella diagnosi precoce nell'invasione microvascolare nell'epatocarcinoma in stadio iniziale

Scopo: Sviluppare un sistema software di aiuto al radiologo per la diagnosi precoce della presenza di invasione microvascolare (MVI+) nell’epatocarcinoma (HCC) con diametro≤3 cm. Materiali e metodi: Sono arruolati 117 pazienti con HCC, acquisiti tramite Tomografia Computerizzata con mezzo di contrasto eseguita prima della chirurgia. 78 sono inclusi, con 89 noduli distinti ≤3 cm, di cui 32 MVI+. È stato sviluppato un metodo per rilevare automaticamente la Zona di Transizione (ZT) tra tumore e tessuto sano, analizzando il contrasto locale intorno al margine tumorale, sia in fase arteriosa che venosa. Dalla ZT e dal nucleo tumorale sono state generate 762 feature radiomiche, impiegate per addestrare un classificatore (basato su Support Vector Machine) a rilevare MVI+. Il dataset è stato aumentato mediante Kernel Density Estimation. Il classificatore è stato addestrato mediante 3-fold Cross Validation e validato esternamente. Le performance predittive sono state valutate mediante curva ROC e metriche ad essa riferite. La separabilità è stata testata con Wilcoxon rank-sum test (p-value<10-3). Risultati: Dal dataset originale sono stati ottenuti 169 campioni, di cui 62 MVI+. Il classificatore è stato quindi addestrato su 117 campioni (di cui 43 MVI+) e validato su 52 (di cui 19 MVI+). Utilizzando una combinazione di sole 4 feature, riferite a misure di eterogeneità della ZT in entrambe le fasi contrastografiche, il classificatore predice MVI+, nel set di validazione, con AUC=0.89, specificità=85%, sensitività=84% e negative predictive value=90% (p-value∼10-6). Conclusioni: I risultati predittivi per la diagnosi di MVI+ in HCC in stadio iniziale (noduli ≤3cm) si sono rivelati i migliori dello stato dell’arte, grazie anche al ruolo determinante dell’eterogeneità della ZT.