Il Modello di IA Predice il Successo del Trattamento del Cancro al Fegato Utilizzando Marker di Ipossia e Immunitari

I tumori del fegato trattati con terapie specifiche mostrano esiti molto variabili da paziente a paziente, rendendo cruciale la capacità di prevedere chi trarrà beneficio da un determinato trattamento. I ricercatori hanno sviluppato un innovativo modello di intelligenza artificiale in grado di prevedere con precisione la sopravvivenza dei pazienti affetti da carcinoma epatocellulare sottoposti a terapia TACE (chemoembolizzazione transarteriosa).

Lo studio ha analizzato 1.448 pazienti con tumore al fegato provenienti da più centri medici, utilizzando scansioni TC pre-trattamento combinate con dati clinici. Il team ha sviluppato sia modelli di deep learning sia modelli radiomici convenzionali, integrandoli successivamente con le variabili cliniche dei pazienti per costituire un modello clinico-radiologico completo (CRM).

Il CRM ha stratificato con successo i pazienti in gruppi di rischio in tutte le coorti di test indipendenti, superando le prestazioni degli strumenti di previsione clinica esistenti. L'analisi multi-omica ha rivelato che i pazienti ad alto rischio presentavano pathway di promozione tumorale attivati, una maggiore capacità di migrazione delle cellule tumorali, aumento della glicolisi ed elevati livelli di ipossia. L'analisi a singola cellula ha confermato che virtualmente tutti i tipi cellulari nei tumori ad alto rischio mostravano firme di ipossia, mentre i linfociti T citotossici evidenziavano una ridotta attività antitumorale.

Questo modello rappresenta un significativo progresso nella cura oncologica personalizzata, offrendo ai medici uno strumento non invasivo per prevedere gli esiti del trattamento prima dell'inizio della terapia. Identificando i pazienti con probabilità di esiti sfavorevoli, i clinici possono adattare le strategie terapeutiche, combinando potenzialmente la TACE con altre terapie o optando per approcci alternativi. L'integrazione dei dati di imaging con l'analisi dei pathway biologici fornisce sia un'utilità pratica sia una comprensione scientifica delle ragioni per cui alcuni tumori risultano resistenti al trattamento. Tuttavia, il modello richiede una validazione su popolazioni diverse e un'integrazione nei flussi di lavoro clinici prima di una sua implementazione su larga scala.