La radiomica AI potrebbe rilevare il cancro al pancreas prima che diventi visibile

Il carcinoma duttale pancreatico (PDAC) presenta un tasso di sopravvivenza a cinque anni inferiore al 12%, una statistica che è rimasta pressoché invariata nel corso dei decenni. Il problema centrale è la diagnosi tardiva: nel momento in cui compaiono i sintomi o l'imaging convenzionale rivela una massa, il tumore si è tipicamente diffuso oltre i limiti della resezione chirurgica. Identificare il cancro al pancreas in uno stadio in cui è ancora curabile — o addirittura prima che si formi completamente — rappresenta uno dei bisogni clinici più urgenti e tuttora insoddisfatti in oncologia.

Questo editoriale, pubblicato sulla prestigiosa rivista Gut, esamina le potenzialità della radiomica basata sull'intelligenza artificiale come strumento per il rilevamento del cancro pancreatico occulto. La radiomica consiste nell'estrazione algoritmica di centinaia o migliaia di caratteristiche quantitative da immagini mediche standard — caratteristiche relative a texture, forma, intensità ed eterogeneità spaziale — invisibili persino ai radiologi più esperti. Quando queste caratteristiche vengono fornite in input a modelli di machine learning, possono emergere pattern predittivi di malignità precoce.

Gli autori dell'Heidelberg University Hospital discutono le evidenze recenti che suggeriscono come le firme radiomiche derivate da tessuto pancreatico dall'aspetto apparentemente normale alla TC o alla RM possano identificare prospetticamente gli individui che svilupperanno in seguito un cancro al pancreas. Il concetto di biomarcatori di imaging «pre-diagnostici» è particolarmente promettente, poiché sfrutta l'infrastruttura clinica esistente senza richiedere nuove tecnologie di acquisizione delle immagini.

Le implicazioni cliniche sono rilevanti. Se validata, la radiomica basata sull'intelligenza artificiale potrebbe essere integrata nei flussi di lavoro routinari dell'imaging addominale per segnalare automaticamente gli individui ad alto rischio, ai fini di una sorveglianza intensificata o di un intervento precoce. Ciò sarebbe particolarmente utile nelle popolazioni che già si sottopongono a imaging per altre indicazioni.

Tuttavia, permangono importanti avvertenze. Si tratta di un commento editoriale, non di uno studio di ricerca primario, e il settore è ancora privo di ampie coorti di validazione prospettica. Prima di un'applicazione clinica, è necessario affrontare le questioni relative alla generalizzabilità dei modelli tra diversi tipi di scanner, istituzioni e popolazioni di pazienti. Anche i percorsi normativi e di rimborso devono essere definiti.