Il Modello di IA Rileva la Sarcopenia nei Pazienti con Cancro Gastrico con un AUC di 0,89

La sarcopenia — la perdita progressiva di forza muscolare scheletrica, massa e performance fisica — è al tempo stesso un marcatore distintivo dell'invecchiamento e un potente predittore indipendente di scarsa sopravvivenza nei pazienti con cancro gastrico. Tuttavia, la diagnosi convenzionale richiede test della forza di presa, misurazione della velocità del passo e quantificazione muscolare basata sulla TC eseguiti congiuntamente, un processo laborioso che ne limita l'uso clinico di routine. Questo studio, pubblicato sul Journal of Cachexia, Sarcopenia and Muscle, si è proposto di costruire e validare un modello di intelligenza artificiale multimodale completamente automatizzato, capace di identificare la sarcopenia e la sarcopenia grave direttamente da scansioni TC preoperatorie combinate con variabili cliniche di base.

Lo studio ha arruolato 1.067 pazienti con cancro gastrico confermato patologicamente provenienti da due centri medici cinesi (978 dal Centro 1, 89 dal Centro 2). La coorte era composta per il 73,3% da uomini e per il 26,7% da donne. La sarcopenia è stata diagnosticata secondo i criteri EWGSOP2: bassa forza di presa (< 28 kg negli uomini, < 18 kg nelle donne) associata a basso indice di massa muscolare scheletrica (SMI) al livello vertebrale L3 (< 40,8 cm²/m² negli uomini, < 34,9 cm²/m² nelle donne). La sarcopenia grave richiedeva inoltre una velocità del passo < 1,0 m/s. Le immagini TC al livello L3 sono state segmentate automaticamente tramite il software TotalSegmentator. Da tali immagini segmentate sono state estratte 1.288 caratteristiche radiomiche, successivamente ridotte mediante filtraggio per correlazione di Spearman e regressione LASSO con cross-validazione a 10 fold.

Il team ha sviluppato quattro modelli progressivamente più sofisticati. Un modello XGBoost basato esclusivamente sulla radiomica ha ottenuto AUC di 0,85 (validazione) e 0,80 (test esterno). Un modello di deep learning 2D con architettura ResNet50 ha raggiunto AUC di 0,79 e 0,80, mentre il modello 2.5D — che utilizza tre sezioni TC consecutive al livello L3 come input a tre canali — ha superato la versione 2D con AUC di 0,81 e 0,83. Un modello di fusione XGBoost che combina variabili cliniche, caratteristiche radiomiche e feature di deep learning 2.5D ha raggiunto AUC di 0,85 e 0,86. Il "sarcopenia model" di punta, un'architettura multimodale basata su transformer che fonde i tre flussi di dati attraverso un encoder a 8 teste di attenzione, ha fornito le prestazioni migliori: AUC di 0,95, 0,87 e 0,89 per l'identificazione della sarcopenia rispettivamente nei set di addestramento, validazione e test esterno. Per la sarcopenia grave, le AUC sono state 0,93, 0,85 e 0,84 negli stessi set.

L'analisi della sopravvivenza di Kaplan–Meier sulla coorte del Centro 1 (con follow-up ≥ 5 anni post-chirurgia) ha confermato che i pazienti con sarcopenia presentavano una sopravvivenza globale significativamente peggiore rispetto a quelli senza (p < 0,05), validando la rilevanza clinica di un'identificazione accurata. L'analisi della curva decisionale ha dimostrato che il sarcopenia model offriva un beneficio clinico netto maggiore rispetto agli approcci a singola modalità su un ampio intervallo di probabilità soglia, suggerendo una sua utilità pratica e non solo una superiorità statistica.

Per la più ampia comunità della longevità e degli anni di vita in salute, questo lavoro ha diverse implicazioni che vanno oltre il cancro gastrico. La sarcopenia è uno dei fenotipi di invecchiamento modificabili di maggiore impatto — associato a cadute, ospedalizzazione, declino funzionale e mortalità nella popolazione anziana in generale. Automatizzarne il rilevamento attraverso l'infrastruttura TC esistente, senza richiedere test fisici aggiuntivi, potrebbe trasformare lo screening su scala di popolazione. L'architettura di fusione basata su transformer potrebbe inoltre costituire un modello di riferimento per l'integrazione di dati multimodali in altri contesti legati alla sarcopenia, inclusa la perdita muscolare correlata all'età in popolazioni non oncologiche. Tra i limiti si annoverano il disegno retrospettivo, una coorte di pazienti prevalentemente cinese che limita la generalizzabilità, e la necessità di una validazione prospettica prima dell'impiego clinico.