REDMOD: IA radiomica rileva il tumore al pancreas in TC con 16 mesi di anticipo mediano

Un modello radiomico sviluppato alla Mayo Clinic ha identificato il 73% dei tumori del pancreas in TC addominali che i radiologi avevano letto come normali. L'intervallo mediano tra la segnalazione dell'IA e la diagnosi istopatologica è stato di 475 giorni, circa 16 mesi. Secondo lo studio pubblicato su Gut da Mukherjee e colleghi, il modello, chiamato REDMOD (Radiomics-based Early Detection MODel), ha individuato quasi il doppio dei casi rispetto a lettori esperti. Il risultato è retrospettivo e il modello non è ancora uno strumento di screening. Il motivo principale è il tasso di falsi positivi, e lo studio indica una strada più circoscritta verso l'uso clinico.

01Che cosa misura il modello

REDMOD non cerca una massa. Analizza la TC addominale di routine alla ricerca di sottili variazioni nella tessitura del tessuto pancreatico, che potrebbero riflettere i primissimi effetti biologici della malattia. La radiomica converte i voxel dell'immagine in descrittori quantitativi di intensità, forma e tessitura. Alcuni di questi descrittori variano in modi che un lettore umano non può percepire.

Secondo la sintesi dello studio pubblicata da ASCO Post, la pipeline si articola in tre fasi:

• Segmentazione. Una segmentazione del pancreas basata su deep learning alimenta una fase di estrazione radiomica che produce 968 feature quantitative per scansione. Automatizzare il tracciamento del contorno è importante perché, come osserva il comunicato di BMJ Group, il tracciamento manuale da parte degli specialisti introduce incoerenze tra un lettore e l'altro. Eliminarlo rende inoltre lo strumento più semplice da applicare alle scansioni di routine.
• Selezione delle feature. Una selezione a minima ridondanza e massima rilevanza (mRMR) riduce le 968 feature a 40.
• Classificazione. Le 40 feature alimentano un ensemble eterogeneo che combina regressione logistica e gradient boosting.

Le feature selezionate suggeriscono un meccanismo. Circa il 90% proveniva da immagini multiscala filtrate con wavelet, che hanno superato i dati non filtrati (AUC 0,82 contro 0,74; P = 0,007). Il filtraggio wavelet separa la struttura dell'immagine in base alla scala spaziale. Ciò indica che il segnale risiede nell'eterogeneità a grana fine del parenchima, e non in qualcosa che un lettore possa vedere direttamente. Si tratta di un'inferenza basata sulla distribuzione delle feature, che non dimostra che cosa accada nel tessuto. Gli autori descrivono il modello come fondato su basi meccanicistiche, ma la biologia alla base del cambiamento di tessitura non è stabilita da questo lavoro.

02Addestramento e validazione su scansioni precedenti alla diagnosi

Il dataset è la parte insolita. Comprende 1.462 TC: 219 scansioni pre-diagnostiche di pazienti a cui è stato poi diagnosticato un adenocarcinoma duttale pancreatico (PDAC) e 1.243 controlli con almeno tre anni di follow-up senza tumore. Ogni scansione dei casi era stata letta come normale al momento dell'acquisizione. Il comunicato di BMJ Group riferisce che i controlli sono stati appaiati per età, sesso e data della scansione.

Gli intervalli di anticipo variavano. Secondo il comunicato, 87 pazienti (40%) sono stati sottoposti a scansione 3–12 mesi prima della diagnosi, 76 (35%) 12–24 mesi prima e 56 (25%) più di 24 mesi prima. Circa il 64% dei tumori si trovava nella testa del pancreas.

La suddivisione è stata la seguente:

Questi dati provengono dal resoconto dello studio pubblicato da Diagnostic Imaging. Nel set di test i casi erano circa il 13% delle scansioni, una prevalenza molto più alta di quella di una reale popolazione sottoposta a screening.

Oltre alla suddivisione di test sono state eseguite altre due verifiche:

• Specificità esterna. La specificità è stata dell'81,3% in un set multi-istituzionale di 539 pazienti e dell'87,5% in un set pubblico di 80.
• Stabilità longitudinale. La concordanza è stata del 90–92% su scansioni ripetute degli stessi pazienti. Gli autori affermano che ciò supporta la presenza di un reale segnale biologico anziché di rumore.

Un'avvertenza dai commenti indipendenti: il set di test trattenuto (held-out) era indipendente, ma proveniva dalla stessa coorte multi-istituzionale che ha influenzato la progettazione del modello. I set esterni hanno validato solo la specificità. La sensibilità non è mai stata verificata su una coorte esterna di tumori pre-diagnostici.

03Prestazioni a confronto con i radiologi

All'anticipo mediano, il test indipendente ha dato un'AUC dell'82%, una sensibilità del 73% e una specificità dell'81,1%. I confronti sono stati effettuati con due radiologi addominali con tre anni di esperienza dopo la specializzazione, che sulle stesse scansioni hanno raggiunto una sensibilità del 38,9%: quella di REDMOD è quindi superiore di 34,1 punti percentuali. Per le scansioni acquisite più di 24 mesi prima della diagnosi, la sensibilità di REDMOD è stata del 68% contro il 23% dei lettori.

Il divario è plausibile. Un lettore che cerca una massa, un'interruzione del dotto o una variazione del contorno ha poco da trovare due anni prima della diagnosi, mentre un modello basato sulla tessitura può ancora cogliere un segnale.

Il compromesso riguarda la specificità. Nel set di test principale i radiologi hanno escluso correttamente il 92,2% dei pazienti senza malattia, contro l'81,1% di REDMOD. Il tasso di falsi positivi del modello è quindi di circa il 18,9%, grosso modo 2,4 volte il 7,8% dei lettori.

Un'ipotesi mostra perché la cosa conta. Supponiamo che 1 persona su 100 sottoposta a scansione sviluppi poi un PDAC. Il dato è puramente illustrativo e non proviene dallo studio. Con una sensibilità del 73% e una specificità dell'81,1%, 1.000 scansioni produrrebbero circa 7 veri positivi e circa 187 falsi positivi. Meno del 4% delle segnalazioni sarebbe un vero tumore. Il valore predittivo positivo dipende fortemente dalla prevalenza, e il set di test arricchito dello studio non può mostrare come il modello si comporterà in una popolazione non selezionata.

04Che cosa separa REDMOD dallo screening clinico

Gli autori e i commentatori esterni sollevano diversi limiti.

1. Disegno retrospettivo. I dati retrospettivi possono mostrare che un segnale esisteva nelle vecchie scansioni, ma non come si comporti il modello quando viene usato su pazienti reali in tempo reale. Resta inoltre irrisolto il lead-time bias (bias di anticipazione diagnostica): individuare un tumore 16 mesi prima conta solo se il tempo guadagnato cambia l'esito.
2. Diversità della popolazione. La popolazione dello studio non presentava una diversità etnica sufficiente, il che potrebbe influire sulle prestazioni in altri gruppi.
3. Popolazione target. La Mayo afferma di lanciare uno studio prospettico chiamato AI-PACED, che seguirà nel tempo la diagnosi precoce, i falsi positivi e gli esiti in pazienti ad alto rischio. Tra i candidati figurano le persone con diabete di nuova insorgenza: nelle persone di 50 anni o più è stato individuato come possibile indicatore precoce di PDAC. Lo screening di popolazione è un'altra questione. Uno screening esteso è improbabile che sia efficace perché il tumore è raro, e lo US Preventive Services Task Force non lo raccomanda.
4. Stato regolatorio. Il modello è sperimentale e non è approvato per l'uso clinico né per lo screening di popolazione. Goenka ha ipotizzato che potrebbero servire da tre a cinque anni per arrivare al pubblico: una stima, non un impegno.

Una segnalazione positiva è inoltre un segnale di rischio, non una diagnosi. Ciò che ne consegue dipende dall'anamnesi clinica: potrebbe trattarsi di una TC di controllo, di un'ecoendoscopia, di un prelievo di tessuto o della prosecuzione della sorveglianza. Il flusso di lavoro per gestire una scansione segnalata è importante quanto il modello, e nessuno lo ha ancora testato.

La posta in gioco spiega l'interesse. Gli autori citano modelli secondo cui aumentare la quota di PDAC localizzati dal 10% al 50% farebbe più che raddoppiare la sopravvivenza. REDMOD mostra che nelle scansioni apparentemente normali esiste un segnale calcolabile. Se agire su quel segnale salvi vite lo diranno i dati prospettici, non la sensibilità retrospettiva.