Radiomica e Intelligenza Artificiale: Un approccio innovativo alla valutazione delle lesioni mammarie B3 = Radiomics and Artificial Intelligence: An innovative approach to breast lesion evaluation B3

Il presente studio si concentra sull’analisi delle lesioni mammarie di tipo B3, caratterizzate da un potenziale incerto, con l’obiettivo di sviluppare un sistema di intelligenza artificiale in grado di predire la natura delle lesioni senza ricorrere a interventi chirurgici. Questo approccio è particolarmente rilevante poiché, a seguito dell’esame istologico definitivo, circa l’80% delle lesioni B3 risultano essere benigne, rendendo così superfluo l’intervento. Il lavoro si articola in tre fasi principali: inizialmente, si esplora la possibilità di distinguere tra mammella sana e mammella con lesione B3 tramite tecniche di machine learning; successivamente, si esamina la stessa problematica ma limitandosi alle ROI (Region of Interest) di sezioni di tessuto, e infine l’analisi si focalizza sulle ROI contenenti la lesione B3 per determinare se essa sia maligna o meno. Per ogni fase, sono stati creati tre dataset distinti, sui quali sono stati testati vari modelli, inclusi quelli basati su alberi decisionali, una rete neurale, SVM, regressione logistica, KNN e Naive Bayes. In aggiunta, per affrontare la grande quantità di features radiotomiche estratte tramite Pyradiomics per i dataset 1 e 2, lo studio ha incluso un’analisi approfondita della feature selection per la riduzione della dimensionalità, impiegando quattro diverse tecniche: eliminazione delle features fortemente correlate, PCA (Principal Component Analysis), selezione basata sui valori di AUC decrescenti e feature importance per i modelli ad alberi decisionali. Per il dataset 3, caratterizzato da uno sbilanciamento marcato tra le classi, sono stati esplorati due approcci distinti: uno supervisionato, che impiega il bilanciamento tramite SMOTE, e uno non supervisionato, basato sul riconoscimento di anomalie attraverso clustering e l’algoritmo Isolation Forest. I risultati ottenuti, sebbene influenzati dal numero limitato di dati, sono promettenti, in particolare per i dataset 2 e 3. Inoltre, la scelta delle dimensioni delle features si è rivelata cruciale per migliorare le performance predittive, confermando l’importanza di una corretta gestione e selezione delle variabili nel contesto della diagnosi automatizzata delle lesioni mammarie.