Notizie
Disfagia associata alle radiazioni in pazienti con tumore della testa e del collo: revisione
Anuja H Shah e colleghi hanno eseguito una revisione sistematica con l’obiettivo di indagare il profilo diagnostico della disfagia associata […]
Apprendimento automatico per prevedere l’estensione extranodale nel carcinoma a cellule squamose della testa e del collo
Arshbir Aulakh e colleghi hanno eseguito una revisione sistematica e una meta-analisi con l’obiettivo di valutare l’utilità clinica degli algoritmi di machine learning (MLA) nella diagnosi dell’estensione extra-nodale (ENE) tramite immagini TC nel carcinoma squamocellulare della testa e del collo (HNSCC). Seguendo le linee guida PRISMA, è stata condotta un’analisi bibliografica approfondita delle banche dazi MEDLINE (Ovid), EMBASE, Cochrane, Scopus e Web of Science alla ricerca di lavori pertinenti pubblicati tra il 1° gennaio 2000 e il 12 febbraio 2025.
Due revisori indipendenti hanno selezionato gli studi che hanno riportato l’accuratezza diagnostica degli algoritmi di machine learning nel rilevare l’estensione extra-nodale in pazienti con HNSCC. La meta-analisi è stata eseguita con MedCalc (23.0.2), calcolando le stime aggregate dell’area sotto la curva (AUC) e i relativi intervalli di confidenza (CI) al 95%. Per analizzare la qualità metodologica degli studi inclusi, il team ha utilizzato la Checklist for Artificial Intelligence in Medical Imaging (CLAIM).
Alla fine, gli esperti hanno selezionato 6 documenti che hanno soddisfatto i criteri di inclusione, per un totale di 2.870 linfonodi analizzati in 1.407 pazienti. Gli algoritmi di machine learning hanno ottenuto un’AUC aggregata di 0,92 (modello a effetti fissi) e 0,91 (modello a effetti casuali), superando le prestazioni dei radiologi che hanno riportato un’AUC aggregata di 0,65 in entrambi i modelli. Inoltre, il machine learning ha raggiunto una sensibilità compresa tra il 66,9% e il 91,2%, a fronte del 24%-96% dei radiologi. La specificità e l’accuratezza degli algoritmi variano rispettivamente dal 72% al 96,2% e dal 66% al 92,2%, mentre per i radiologi i valori oscillano rispettivamente tra il 43% e il 96% e tra il 51,5% e l’88,6%.
Gli Autori concludono che gli algoritmi di machine learning dimostrano prestazioni diagnostiche superiori nel prevedere l’estensione extra-nodale nell’HNSCC e possono rappresentare un prezioso supporto per i radiologi nella pratica clinica.
Fonte: Laryngoscope. 2026
https://onlinelibrary.wiley.com/doi/10.1002/lary.70194
