Predizione delle regioni di recidiva locale nei gliomi di alto grado mediante l'utilizzo di caratteristiche radiomiche di immagini di risonanza magnetica preoperatoria. = Predicting regions of local recurrence in high-grade gliomas using radiomic features of pre-operative MRI.

Il Glioblastoma (GBM) è il più comune dei tumori maligni cerebrali che colpisce la popolazione in età adulta. Attualmente, l’intervento chirurgico consiste nella rimozione dell’area tumorale in fase di potenziamento. Tuttavia, si possono manifestare infiltrazioni di cellule tumorali nelle regioni circostanti con possibili manifestazioni di recidive tumorali; pertanto, oltre alla rimozione della regione di interesse, l’obiettivo del trattamento del GBM consiste anche in un controllo efficace della recidiva al fine di prolungare la vita del paziente, a seguito di una mancata identificazione dell’area di proliferazione per mezzo delle convenzionali tecniche di imaging. Di conseguenza, metodi terapeutici tradizionali come la chirurgia, la radioterapia e la chemioterapia, se da un lato possono ridurre i sintomi e prolungare la durata della vita, dall’altro lato il loro effetto terapeutico è limitato dal grado di malignità, dal sito e dalla direzione di crescita del tumore. Pertanto, il progetto di tesi si propone di sviluppare un modello predittivo in grado di individuare le aree di sviluppo della recidiva basandosi su un’analisi radiomica condotta su volumi di risonanza magnetica per immagini (MRI), acquisiti in fase preoperatoria. A tal proposito sono state analizzate sequenze T1 con mezzo di contrasto e sequenze FLAIR di 79 pazienti a cui è stato diagnosticato il GBM e che sono stati sottoposti ad intervento chirurgico per la sua rimozione. In un secondo momento, a distanza di circa 14-15 mesi (o più) dall’intervento, sugli stessi pazienti sono state condotte ulteriori analisi per l’individuazione delle regioni affette da recidiva rispetto alle aree di alterazione dei tessuti mostrate nella modalità FLAIR preoperatoria, in quanto è stato notato che oltre il 90% delle recidive tumorali si verifica in corrispondenza di tali aree. Per raggiungere l’obiettivo, sono stati allenati più modelli adottando una logica basata su Machine Learning, che hanno fornito una classificazione binaria (presenza o assenza di tumore) in corrispondenza di regioni di interesse (ROI) estratte da ogni volume RM. Le performance di questi modelli sono state valutate su metriche di Accuratezza, Precisione, Richiamo, F1-Score e Area sotto la curva ROC (AUC), dopo aver condotto preliminarmente operazioni di Fine Tuning per l’ottimizzazione degli iperparametri dei modelli stessi. I risultati ottenuti e rappresentati anche qualitativamente tramite mappe di probabilità possono fornire un supporto in fase diagnostica e sul processo decisionale di esecuzione dell’intervento chirurgico al fine di asportare l’effettiva area di interesse, evitando la compromissione di eventuali funzioni vitali per l’organismo, e prolungare potenzialmente la sopravvivenza dei pazienti.