Sviluppo di un modello di patomica per la predizione della risposta alla terapia neoadiuvante nel carcinoma colorettale localizzato = Development of a Pathomics Model for Predicting Response to Neoadjuvant Therapy in Locally Advanced Colorectal Cancer

Il cancro colorettale (CRC) rappresenta la terza neoplasia maligna più diagnosticata a livello globale e la seconda causa di morte oncologica. Nonostante i progressi nei programmi di screening e le numerose metodiche diagnostiche disponibili, la prognosi rimane strettamente dipendente dalla risposta terapeutica. Nei carcinomi rettali localmente avanzati (LARC), la terapia neoadiuvante totale sta divenendo lo standard terapeutico, mirato a migliorare la resecabilità chirurgica e ridurre il rischio di recidiva. Tuttavia, solo una bassa percentuale dei pazienti affetti da LARC risulta responsivo a questo tipo di trattamento. Per questo motivo, predire precocemente la risposta alla terapia neoadiuvante totale risulta fondamentale al fine di definire strategie terapeutiche personalizzate, evitando di sottoporre il paziente a cicli terapeutici tossici e non necessari. In tale contesto, la patomica costituisce un campo di ricerca innovativo a supporto di oncologi e patologi. Attraverso l’analisi delle Whole Slide Images (WSI), scansioni digitali dei vetrini istopatologici, è possibile estrarre caratteristiche quantitative da utilizzare come input per modelli di Intelligenza Artificiale, utili ai fini diagnostici e predittivi. Sebbene l’analisi visiva delle WSI da parte del patologo rappresenti lo standard clinico, questa non permette di prevedere l’efficacia del trattamento prima della somministrazione. L’obiettivo di questo studio è stato dunque quello di sviluppare un modello di patomica per prevedere la risposta alla terapia neoadiuvante in pazienti affetti da LARC non ancora sottoposti a trattamento. Il dataset ha incluso WSI ottenute dalla digitalizzazione di biopsie preparate secondo un protocollo di colorazione ematossilina-eosina (H&E). Prima di procedere con la costruzione del modello, le WSI, dell’ordine dei gigapixel, sono state divise in tessere (tile) della dimensione di 224×224 px. Per rimuovere artefatti e variazioni cromatiche introdotte durante il processo di preparazione e digitalizzazione dei tessuti, le tile sono state sottoposte a due step di pre-processing: inizialmente, sono state applicate tecniche per la rilevazione e il miglioramento della sfocatura; successivamente, è stata eseguita una normalizzazione dello staining per standardizzare l’aspetto dei coloranti istologici rispetto ad un’immagine di riferimento. Nello specifico, durante quest’ultimo step, è stato valutato l’impatto della dimensione dell’immagine di riferimento sulle performance di normalizzazione. A questo punto, da ciascuna tile sono state estratte deep feature, ovvero caratteristiche quantitative corrispondenti a morfologie complesse. Le feature ottenute sono state aggregate a livello dell’intera WSI corrispondente, in modo da ottenere un profilo caratteristico per ogni immagine istopatologica. Ad una successiva fase di selezione delle feature, è seguito l’allenamento e la validazione di diversi classificatori di Machine Learning con l’obiettivo di predire l’appartenenza alle due classi di risposta: Resistente o Sensibile al trattamento. Lo studio ha contribuito a delineare un approccio metodologico per lo sviluppo di un modello di patomica nella predizione della risposta neoadiuvante nel LARC, ponendo particolare attenzione agli step di pre-processing. Se validato, il modello potrebbe facilitare l’identificazione precoce dei pazienti resistenti e ottimizzare la selezione di quelli sensibili, prevenendo tossicità e migliorando la qualità della vita.