L'algoritmo radiomico trova un biomarcatore chiave nel mieloma multiplo

Jul 05, 2023

4 agosto 2023 -- Nei pazienti affetti da mieloma multiplo (MM), un algoritmo di apprendimento automatico della radiomica MRI può identificare lo stato di malattia minima residua (MRD), un biomarcatore collegato a una sopravvivenza più lunga, secondo un nuovo studio pubblicato su Clinical Radiology.

Un gruppo di ricercatori guidati da X. Xiong del Primo Ospedale Affiliato dell'Università di Soochow a Jiangsu, in Cina, ha addestrato un algoritmo di apprendimento automatico per estrarre e analizzare le caratteristiche radiomiche sull'imaging pesato in T1 pesato in T1 e sulle sequenze di imaging pesate in T2 pesate in grasso saturo sulla risonanza magnetica della colonna lombare. Durante i test, il modello con le migliori prestazioni, un classificatore SVM (Linear Support Vector Machine), ha prodotto un'area sotto la curva (AUC) per lo stato MRD fino a 0,8.

"Il metodo di apprendimento automatico lineare basato su SVM può offrire uno strumento non invasivo per discriminare lo stato MRD nel MM", hanno scritto gli autori.

Biomarker emergente per il MM, l’MRS è considerato rappresentare il livello più profondo di risposta al trattamento per il MM. Secondo i ricercatori, recenti studi di radiomica hanno mostrato il potenziale per prevedere lo stato citogenetico ad alto rischio e valutare la risposta al trattamento del MM. Tuttavia, entrambi questi studi avevano utilizzato piccoli set di dati.

Nel loro studio, i ricercatori hanno cercato di esplorare la possibilità di discriminare lo stato della MRD sulla risonanza magnetica e di identificare i migliori metodi di apprendimento automatico per ottimizzare il regime di trattamento clinico.

I ricercatori hanno raccolto retrospettivamente i dati di 83 pazienti di nuova diagnosi che avevano ricevuto una risonanza magnetica dell’intero corpo prima della terapia. Di questi, 59 sono stati utilizzati per l'addestramento dei modelli e 24 sono stati accantonati per la validazione degli algoritmi.

I modelli radiomici sono stati sviluppati sulla base di immagini pesate in T1 e sequenze di immagini pesate in T2 sature di grassi utilizzando cinque diversi classificatori: foresta casuale, vicino più vicino K, Bayes naïve, SVM lineare e SVM radiale. Dopo che è stata eseguita l'analisi di regressione logistica, il rapporto dell'infiltrato del midollo osseo è stata l'unica caratteristica mantenuta per l'analisi radiomica.

I ricercatori hanno anche addestrato un modello tradizionale basato su dati clinici, tra cui età, sesso, stadio del sistema internazionale di stadiazione, stato di ibridazione in situ fluorescente (FISH), livello di proteine ​​sieriche, rapporto di infiltrato del midollo osseo, calcio, creatinina e albumina. Infine, hanno sviluppato un modello combinato che incorpora l'analisi sia delle caratteristiche radiomiche che cliniche.

Nel set di validazione, il modello radiomico lineare basato su SVM ha prodotto un AUC di 0,708 sulle immagini pesate in T1 e un AUC di 0,8 sulle immagini pesate in T2 sature di grasso, sovraperformando il modello tradizionale. Inoltre, il modello combinato non ha prodotto una differenza statisticamente significativa nelle prestazioni rispetto al modello radiomico.

"In sintesi, i risultati attuali dimostrano le prestazioni dell'analisi radiomica e dell'apprendimento automatico della risonanza magnetica, che possono discriminare accuratamente lo stato della MRD dopo il trattamento di induzione", hanno concluso gli autori. "Poiché la ricerca era retrospettiva, sono necessari studi prospettici e analisi multiple di punti temporali per esaminare ulteriormente la capacità di questi metodi di discriminare lo stato della MRD."

Lo studio completo può essere trovato qui.