Alla luce del ruolo rilevante che l’apprendimento automatico sta ricoprendo sempre più nella medicina predittiva negli ultimi anni, un team di esperti – partendo da un pool di pazienti con carcinoma a cellule squamose orofaringeo (OPSCC) – ha provato a individuare i fattori patologici, gli esiti del trattamento e le caratteristiche radiomiche estratte dalla risonanza magnetica preoperatoria (MRI) utilizzando proprio il machine learning.
Quindi, le cartelle cliniche e i dati di imaging di 155 pazienti a cui è stata diagnosticata l’OPSCC sono stati analizzati retrospettivamente; il modello di regressione logistica ha mostrato che l’area sotto la curva del ricevitore (AUC) del modello presentava un punteggio 0,792 nel predire lo stato del virus del papilloma umano (HPV), mentre il modello LightGBM ha mostrato un’AUC di 0,8333 nella previsione del virus. Le prestazioni del modello logistico nel predire l’invasione linfovascolare, la diffusione linfonodale extracapsulare e i linfonodi metastatici hanno invece mostrato valori di AUC rispettivamente di 0,7871, 0,6713 e 0,6638. Nel predire la recidiva della malattia, il modello LightGBM ha mostrato un’AUC di 0,8571 e nel prevedere la morte del paziente, il modello logistico ha mostrato un’AUC di 0,8175.
In conclusione, un modello di apprendimento automatico che utilizza la radiomica MRI ha evidenziato prestazioni soddisfacenti sia nel predire i fattori patologici che gli esiti del trattamento dei pazienti con OPSCC.
Head & Neck – https://doi.org/10.1002/hed.26979
