Intelligenza Artificiale e Radiomica: un passo verso la medicina di precisione

La "medicina di precisione" è un obiettivo chiave della medicina oncologica moderna, i trattamenti vengono personalizzati sulla base delle caratteristiche specifiche del paziente e della sua malattia. La Radiomica sta rapidamente emergendo in questo ambito ed è uno dei campi di ricerca di maggior interesse.

Per comprendere cosa sia la Radiomica è necessario premettere che alcuni tumori sono caratterizzati da alterazioni molecolari, come ad esempio quelle genomiche. Perché sia possibile definire queste alterazioni, generalmente, è necessario avere un campione del tessuto neoplastico, che si ottiene solo con biopsie o interventi chirurgici invasivi. Oggi però la diagnostica per immagini può permettere di caratterizzare i tessuti in modo non invasivo e, in alcuni casi, di visualizzare le profonde differenze fenotipiche dei diversi tumori. Poiché i tumori sono eterogenei nel loro volume e si modificano nel tempo, le immagini diagnostiche possono fornire una visione completa dell'intero tumore e possono essere ripetute nel tempo in modo non invasivo per monitorare le modificazioni indotte anche dalle terapie.

Attraverso la Radiomica le immagini mediche da noi conosciute, ottenute dagli esami TC, RM o PET, vengono convertite in informazioni numeriche.

Tali informazioni numeriche descrivono l’immagine stessa. Il numero finale di informazioni estrapolate dalle immagini è talvolta elevato e richiede metodiche dedicate ai cosiddetti “Big Data”. Questo enorme patrimonio di dati numerici, che va ben oltre la semplice osservazione visiva, definisce molte caratteristiche del tumore (forma, volume e struttura tissutale) e dell’ambiente circostante.

Con tali tecniche, è possibile studiare l’eventuale associazione fra i dati ottenuti dalle immagini e le caratteristiche molecolari e genomiche del tumore, con l’obiettivo finale di estrarre direttamente dalle immagini indicazioni sull’aggressività della malattia, sulle terapie più indicate e sulla risposta alle cure.

Nel prossimo futuro, si auspica che i dati raccolti dagli esami di imaging radiologico siano convertiti in dati quantitativi e che questi dati siano sfruttati come supporto decisionale alla pratica clinica per migliorare l'accuratezza diagnostica e il potere prognostico.

Esempio di processo Radiomico: i parametri quantitativi calcolati a partire dalle immagini cliniche vengono estratti. Attraverso l’uso di tali informazioni e delle caratteristiche biologiche, genetiche e cliniche del paziente è possibile ottenere previsioni utili per la diagnosi e per la personalizzazione della terapia.

Artificial intelligence (AI) and Radiomic board

L'Artificial intelligence (AI) and Radiomic board coordina i progetti di radiomica e gli studi basati su imaging proposti da più divisioni ed è responsabile della loro valutazione preliminare e di fattibilità, oltre che della gestione, della supervisione, del supporto e dello sviluppo dei progetti.

L'Artificial intelligence (AI) and Radiomic board è diretto dal Prof. Roberto Orecchia. È composto da specialisti con competenze multidisciplinari: Prof. Massimo Bellomi (Radiologia, IEO), Dr. Enrico Cassano (Radiologia Senologica, IEO), Dr. Francesco Ceci (Imaging diagnostica, IEO), Dr. Marta Cremonesi (Ricerca sulle Radiazioni, IEO), Prof. Giuseppe Curigliano (Sviluppo di Nuovi Farmaci per Terapie Innovative, IEO), Dr. Aurora Gaeta (Biostatistica, IEO), Prof. Sara Gandini (Biostatistica, IEO), Prof. Barbara Jereczek (Radioterapia, IEO), Prof. Davide La Torre (Intelligenza artificiale e Imaging matematico, Università di Milano), Dr. Sofia Netti (Biostatistica, IEO), Prof. Giuseppe Petralia, Dr. Cristiano Rampinelli (Radiologia, IEO).

L'Artificial intelligence (AI) and Radiomic board si riunisce mensilmente per discutere insieme le nuove proposte e i progressi degli studi in corso. Dal febbraio 2022, le riunioni prevedono una sessione online aperta a tutti gli interessati.

Le riunioni aperte si tengono ogni terzo giovedì del mese, esclusi i mesi di luglio e agosto, dalle 14:30 alle 15:00.

Saremo lieti della vostra partecipazione. Per ulteriori informazioni, scrivete a inforadiomica@ieo.it.

RADIOMIC TEAM

Il team multidisciplinare che si occupa della radiomica in IEO è composto da medici, fisici, ingegneri e statistici. Tutti sono attivamente coinvolti in progetti di radiomica e ognuno si occupa delle rispettive aree di competenza.

Le domande di ricerca clinica sono formulate e strutturate dai medici, che sono anche responsabili della revisione delle immagini e della segmentazione delle regioni interessate dal tumore. Fisici e ingegneri supportano il processo di analisi delle immagini e di estrazione delle caratteristiche radiomiche. Gli statistici del gruppo si occupano dello sviluppo e della validazione dei modelli radiomici.

Gli specialisti che si occupano di radiomica lavorano in diverse divisioni, tra cui quella di Radioterapia, di Radiologia, di Imaging Senologico, di Medicina Nucleare, nonché delle unità di Fisica Medica, di Ricerca sulle Radiazioni e di Epidemiologia Molecolare e Farmacologica.

Scrivere a inforadiomica@ieo.it per poter partecipare e rimanere aggiornati sugli eventi di Radiomica in IEO.

FORMAZIONE ED EVENTI

Il Consiglio Direttivo e il Radiomic team dello IEO sono profondamente coinvolti nelle attività didattiche dell'Università degli Studi di Milano.

Lo IEO è coinvolto nel corso di laurea magistrale in Biomedical Omics attraverso l’offerta di lezioni (https://www.unimi.it/it/corsi/corsi-di-laurea/biomedical-omics-bo e https://pubmed.ncbi.nlm.nih.gov/34585604/)e attraverso il corso elettivo "La radiomica e le sue applicazioni" per gli studenti di Tecniche di Imaging e Radioterapia.

Lo IEO si impegna anche nella divulgazione organizzando webinar, conferenze e workshop nazionali e internazionali. Per saperne di più consultare la sezione "Corsi e webinar".

AREE DI RICERCA

ll radiomic team dello IEO si è occupato di diverse patologie oncologiche, sia autonomamente che attraverso collaborazioni scientifiche nazionali e internazionali. Più nello specifico, le patologie oncologiche coinvolte sono:

- Tumore al seno

- Tumore alla prostata

- Tumore al polmone

- Linfoma

- Tumori testa-collo

- Tumori del colon
Il progetto "Radiomics in rEctal Cancer real wORld Data (RECORD)" è uno studio osservazionale, retrospettivo, multicentrico (8 strutture italiane) della durata di 3 anni, finanziato da Alleanza Contro il Cancro (ACC). Lo scopo dello studio è quello di costruire modelli radiomici basati sulla risonanza magnetica per prevedere determinati esiti oncologici in una coorte di 1000 pazienti con carcinoma del retto localmente avanzato. Le Divisioni di Radioterapia Oncologica e di Radiologia dello IEO sono responsabili della fornitura di dati clinici e di immagini di risonanza magnetica annotate.

INTELLIGENZA ARTIFICIALE E STUDI METODOLOGICI

Le diverse fasi di un tipico flusso di lavoro radiomico vanno dall'acquisizione dell’immagine, ricostruzione e pre-elaborazione delle immagini, fino alla segmentazione della regione interessata dal tumore e all'estrazione di caratteristiche radiomiche. Successivamente vengono sviluppati e convalidati modelli statistici.

La ripetibilità e la riproducibilità del calcolo delle caratteristiche radiomiche sono state studiate in base alla variazione dei parametri di acquisizione e ricostruzione delle immagini e all'uso di diverse impostazioni per il calcolo delle caratteristiche radiomiche.

Sono stati svolti studi su fantocci utili per l'applicazione radiomica e dosomica (ad esempio sono stati sviluppati fantocci per la risonanza magnetica del bacino per la patologia ginecologica, fantocci di risonanza magnetica della mammella, e fantocci di TC del polmone). Altri progetti hanno studiato le tecniche di elaborazione delle immagini per migliorare la robustezza dell'analisi quantitativa (ad esempio: standardizzazione della scala di intensità, correzione delle disomogeneità, filtraggio delle immagini, ricostruzione personalizzata delle immagini) e l'armonizzazione dei dati radiomici. Il radiomic team si è occupato anche della valutazione, del confronto e dello sviluppo di metodi di autosegmentazione e rilevamento con tecniche di intelligenza artificiale, compreso il deep learning, e ha valutato l'impatto del loro utilizzo sui modelli radiomici. In particolare, sono stati sviluppati un modello per la segmentazione automatica della prostata e un modello per il rilevamento precoce dei noduli polmonari. Infine, sono stati esaminati diversi approcci statistici per valutare il possibile impatto sui risultati di scelte metodologiche statistiche come la selezione delle caratteristiche radiomiche e i metodi di classificazione.

PUBBLICAZIONI
1. Volpe S, Mastroleo F, Krengli M, et al. Quo vadis Radiomics? Bibliometric analysis of 10-year Radiomics journey. Eur Radiol (2023). https://doi.org/10.1007/s00330-023-09645-6
1. Travaini LL, Botta F, Derenzini E et al. [18 F]-FDG PET radiomic model as prognostic biomarker in diffuse large B-cell lymphoma. Hematol Oncol 2023. https://doi.org/ 10.1002/hon.3171
3. Volpe S, Gaeta A, Colombo F, et al. Blood- and Imaging-Derived Biomarkers for Oncological Outcome Modelling in Oropharyngeal Cancer: Exploring the Low-Hanging Fruit. Cancers. 2023;15(7):2022. https://doi.org/10.3390/cancers15072022
1. Pesapane F, De Marco P, Rapino A, et al. How Radiomics Can Improve Breast Cancer Diagnosis and Treatment. Journal of Clinical Medicine. 2023;12(4):1372. https://doi.org/10.3390/jcm12041372
2. Nicosia L, Pesapane F, Bozzini AC, et al. Prediction of the Malignancy of a Breast Lesion Detected on Breast Ultrasound: Radiomics Applied to Clinical Practice. Cancers. 2023;15(3):964. https://doi.org/10.3390/cancers15030964
3. Mossinelli C, Tagliabue M, Ruju F, et al. The role of radiomics in tongue cancer: A new tool for prognosis prediction. Head & Neck. 2023;45(4):849-861. https://doi.org/10.1002/hed.27299
4. Pesapane F, Rotili A, Valconi E, et al. Women's perceptions attitudes to the use of AI in breast cancer screening: a survey in a cancer referral center. The British Journal of Radiology. 2022;95(1132):20220569. https://doi.org/10.1259/bjr.20220569
5. Carloni G, Garibaldi C, Marvaso G, et al. Brain metastases from NSCLC treated with stereotactic radiotherapy: prediction mismatch between two different radiomic platforms. Radiotherapy and Oncology. 2022;178:109424. https://doi.org/10.1016/j.radonc.2022.11.013
6. Botta F, Ferrari M, Raimondi S, et al. The Impact of Segmentation Method and Target Lesion Selection on Radiomic Analysis of 18F-FDG PET Images in Diffuse Large B-Cell Lymphoma. Applied Sciences. 2022;12(19):9678. https://doi.org/10.3390/app12199678
7. Isaksson LJ, Repetto M, Summers PE, et al. High-performance prediction models for prostate cancer radiomics. Informatics in Medicine Unlocked. 2023;37:101161. https://doi.org/10.1016/j.imu.2023.101161
8. Nicosia L, Bozzini AC, Ballerini D, et al. Radiomic Features Applied to Contrast Enhancement Spectral Mammography: Possibility to Predict Breast Cancer Molecular Subtypes in a Non-Invasive Manner. International Journal of Molecular Sciences. 2022;23(23):15322. https://doi.org/10.3390/ijms232315322
9. Gan W, Wang H, Gu H, et al. Automatic segmentation of lung tumors on CT images based on a 2D & 3D hybrid convolutional neural network. The British Journal of Radiology. 2022;95(1126):20210038. https://doi.org/10.1259/bjr.20210038
10. Pesapane F, Agazzi GM, Rotili A, et al. Prediction of the Pathological Response to Neoadjuvant Chemotherapy in Breast Cancer Patients With MRI-Radiomics: A Systematic Review and Meta-analysis. Current Problems in Cancer. 2022;46(5):100883. https://doi.org/10.1016/j.currproblcancer.2022.100883
11. Santinha J, Bianchini L, Figueiredo M, et al. Discrimination of Tumor Texture Based on MRI Radiomic Features: Is There a Volume Threshold? A Phantom Study. Applied Sciences. 2022;12(11):5465. https://doi.org/10.3390/app12115465
12. Elhalawani H, Volpe S, Barua S, et al. Exploration of an Early Imaging Biomarker of Osteoradionecrosis in Oropharyngeal Cancer Patients: Case-Control Study of the Temporal Changes of Mandibular Radiomics Features. International Journal of Radiation Oncology Biology Physics. 2023;100(5):1363-1364. https://doi.org/10.1016/j.ijrobp.2017.12.146
13. Isaksson LJ, Pepa M, Summers P, et al. Comparison of automated segmentation techniques for magnetic resonance images of the prostate. BMC Medical Imaging. 2023;23:32. https://doi.org/10.1186/s12880-023-00974-y
14. Volpe S, Isaksson LJ, Zaffaroni M, et al. Impact of image filtering and assessment of volume-confounding effects on CT radiomic features and derived survival models in NSCLC. Translational Lung Cancer Research. 2022;11(12):2452-2463. https://doi.org/10.21037/tlcr-22-248
15. Mazzara S, Travaini L, Botta F, et al. Gene expression profiling and FDG-PET radiomics uncover radiometabolic signatures associated with outcome in DLBCL. Blood Advances. 2023;7(4):630-643. https://doi.org/10.1182/bloodadvances.2022007825
16. Isaksson LJ, Summers P, Bhalerao A, et al. Quality assurance for automatically generated contours with additional deep learning. Insights into Imaging. 2022;13:137. https://doi.org/10.1186/s13244-022-01276-7
17. Garau N, Orro A, Summers P, et al. Integrating Biological and Radiological Data in a Structured Repository: a Data Model Applied to the COSMOS Case Study. Journal of Digital Imaging. 2022;35:970-982. https://doi.org/10.1007/s10278-022-00615-w
18. Avesani G, Tran HE, Cammarata G, et al. CT-Based Radiomics and Deep Learning for BRCA Mutation and Progression-Free Survival Prediction in Ovarian Cancer Using a Multicentric Dataset. Cancers. 2022;14(11):2739. https://doi.org/10.3390/cancers14112739
19. Zerella MA, Zaffaroni M, Ronci G, et al. Single fraction ablative preoperative radiation treatment for early-stage breast cancer: the CRYSTAL study – a phase I/II clinical trial protocol. BMC Cancer. 2022;22:358. https://doi.org/10.1186/s12885-022-09305-w
20. Rinaldi L, Pezzotta F, Santaniello T, et al. HeLLePhant: A phantom mimicking non-small cell lung cancer for texture analysis in CT images. Physica Medica. 2022;97:13-24. https://doi.org/10.1016/j.ejmp.2022.03.010
21. Rinaldi L, De Angelis SP, Raimondi S, et al. Reproducibility of radiomic features in CT images of NSCLC patients: an integrative analysis on the impact of acquisition and reconstruction parameters. European Radiology Experimental. 2022;6:2. https://doi.org/10.1186/s41747-021-00258-6
22. Alcalay M, Jereczek-Fossa BA, Pepa M, et al. Biomedical omics: first insights of a new MSc degree of the University of Milan. Tumori Journal. 2022;108(1):6-11. https://doi.org/10.1177/03008916211047268
23. Isaksson L, Summers P, Raimondi S, et al. Mixup (Sample Pairing) Can Improve the Performance of Deep Segmentation Networks. Journal of Artificial Intelligence and Soft Computing Research. 2022;12(1):29-39. https://doi.org/10.2478/jaiscr-2022-0003
24. Gugliandolo SG, Pepa M, Isaksson LJ, et al. MRI-based radiomics signature for localized prostate cancer: a new clinical tool for cancer aggressiveness prediction? Sub-study of prospective phase II trial on ultra-hypofractionated radiotherapy (AIRC IG-13218). European Radiology. 2021;31:716-728. https://doi.org/10.1007/s00330-020-07105-z
25. Rinaldi L, De Angelis SP, Raimondi S, et al. Reproducibility of radiomic features in CT images of NSCLC patients: an integrative analysis on the impact of acquisition and reconstruction parameters. European Radiology Experimental. 2022;6:2. https://doi.org/10.1186/s41747-021-00258-6
26. Volpe S, Pepa M, Zaffaroni M, Bellerba F, et al. Machine Learning for Head and Neck Cancer: A Safe Bet? - A Clinically Oriented Systematic Review for the Radiation Oncologist. Frontiers in Oncology. 2021;11. https://doi.org/10.3389/fonc.2021.772663
27. Garau N, Paganelli C, Summers P, et al. A segmentation tool for pulmonary nodules in lung cancer screening: Testing and clinical usage. Physica Medica. 2021;90:23-29. https://doi.org/10.1016/j.ejmp.2021.08.011
28. Pesapane F, Rotili A, Botta F, et al. Radiomics of MRI for the Prediction of the Pathological Response to Neoadjuvant Chemotherapy in Breast Cancer Patients: A Single Referral Centre Analysis. Cancers. 2021;13(17):4271. https://doi.org/10.3390/cancers13174271
29. Pesapane F, Rotili A, Agazzi GM, Botta F, et al. Recent Radiomics Advancements in Breast Cancer: Lessons and Pitfalls for the Next Future. Current Oncology. 2021;28(4):2351-2372. https://doi.org/10.3390/curroncol28040217
30. Barua S, Elhalawani H, Volpe S, et al. Longitudinal radiomics correlate with osteoradionecrosis. Frontiers in Artificial Intelligence. 2021;4:618469. https://doi.org/10.3389/frai.2021.618469
31. Colombo A, Bombelli L, Summers PE, et al. Effects of Sex and Age on Fat Fraction, Diffusion-Weighted Image Signal Intensity and Apparent Diffusion Coefficient in the Bone Marrow of Asymptomatic Individuals: A Cross-Sectional Whole-Body MRI Study. Diagnostics. 2021;11(5):913. https://doi.org/10.3390/diagnostics11050913
32. Retico A, Avanzo M, Boccali T, et al. Enhancing the impact of Artificial Intelligence in Medicine: A joint AIFM-INFN Italian initiative for a dedicated cloud-based computing infrastructure. Physica Medica. 2021;91:140-150. https://doi.org/10.1016/j.ejmp.2021.10.005
33. Placidi L, Gioscio E, Garibaldi C, et al. Multicentre Evaluation of Dosiomics Features Reproducibility, Stability and Sensitivity. Cancers. 2021;13:3835. https://doi.org/10.3390/cancers13153835
34. Corso F, Tini G, Lo Presti G, et al. The Challenge of Choosing the Best Classification Method in Radiomic Analyses: Recommendations and Applications to Lung Cancer CT Images. Cancers. 2021;13:3088. https://doi.org/10.3390/cancers13123088
35. Bianchini L, Santinha J, Loução N, et al. A multicenter study on radiomic features from T2-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics. Magnetic Resonance in Medicine. 2020;00:1-14. https://doi.org/10.1002/mrm.28521
36. Avanzo M, Trianni A, Botta F, et al. Artificial Intelligence and the Medical Physicist: Welcome to the Machine. Applied Sciences. 2021;11:1691. https://doi.org/10.3390/app11041691
37. Colombo A, Saia G, Azzena AA, et al. Semi-Automated Segmentation of Bone Metastases from Whole-Body MRI: Reproducibility of Apparent Diffusion Coefficient Measurements. Diagnostics. 2021;11(3):499. https://doi.org/10.3390/diagnostics11030499
38. Garau N, Paganelli C, Summers P, et al. External validation of radiomics-based predictive models in low-dose CT screening for early lung cancer diagnosis. Medical Physics. 2020;47:4125-4136. https://doi.org/10.1002/mp.14308
39. Giannitto C, Marvaso G, Botta F, et al. Association of quantitative MRI-based radiomic features with prognostic factors and recurrence rate in oropharyngeal squamous cell carcinoma. Neoplasma. 2020;67(6):1437-1446. https://doi.org/10.4149/neo_2020_200310N249
40. Botta F, Raimondi S, Rinaldi, et al. Association of a CT-Based Clinical and Radiomics Score of Non-Small Cell Lung Cancer (NSCLC) with Lymph Node Status and Overall Survival. Cancers. 2020;12(6):1432. https://doi.org/10.3390/cancers12061432
41. Bianchini L, Botta F, Origgi D, et al. PETER PHAN: An MRI phantom for the optimisation of radiomic studies of the female pelvis. Physica Medica. 2020;71:71-81. https://doi.org/10.1016/j.ejmp.2020.02.003
42. Isaksson LJ, Pepa M, Zaffaroni M, et al. Machine learning-based models for prediction of toxicity outcomes in radiotherapy. Frontiers in Oncology. 2020;10:790. https://doi.org/10.3389/fonc.2020.00790
43. Isaksson LJ, Raimondi S, Botta F, et al. Effects of MRI image normalization techniques in prostate cancer radiomics. Physica Medica. 2020;71:7-13. https://doi.org/10.1016/j.ejmp.2020.02.007
44. Pesapane F, Suter MB, Rotili A, et al. Will traditional biopsy be substituted by radiomics and liquid biopsy for breast cancer diagnosis and characterisation? Medical Oncology. 2020;37(3):29. https://doi.org/10.1007/s12032-020-01353-1
45. Savini A, Feliciani G, Amadori M, et al. The Role of Acquisition Angle in Digital Breast Tomosynthesis: A Texture Analysis Study. Applied Sciences. 2020;10:6047. https://doi.org/10.3390/app10176047
46. Sarnelli A, Mezzenga E, Vagheggini A, et al. Texture analysis in 177Lu SPECT phantom images: Statistical assessment of uniformity requirements using texture features. PLOS ONE. 2019;14(7):e0218814. https://doi.org/10.1371/journal.pone.0218814
47. Rizzo S, Raimondi S, de Jong EEC, et al. Genomics of non-small cell lung cancer (NSCLC): Association between CT-based imaging features and EGFR and K-RAS mutations in 122 patients—An external validation. European Journal of Radiology. 2019;110:148-155. https://doi.org/10.1016/j.ejrad.2018.11.032
48. Rizzo S, Savoldi F, Rossi D, et al. Radiogenomics as association between non-invasive imaging features and molecular genomics of lung cancer. Annals of Translational Medicine. 2018;6(23):447. https://doi.org/10.21037/atm.2018.11.17
49. Rizzo S, Botta F, Raimondi S, et al. Radiomics: the facts and the challenges of image analysis. European Radiology Experimental. 2018;2(1):36. https://doi.org/10.1186/s41747-018-0068-z
50. Elhalawani H, Lin TA, Volpe S, et al. Machine Learning Applications in Head and Neck Radiation Oncology: Lessons From Open-Source Radiomics Challenges. Frontiers in Oncology. 2018;8:294. https://doi.org/10.3389/fonc.2018.00294
51. De Jong EEC, van Elmpt W, Rizzo S, et al. Applicability of a prognostic CT-based radiomic signature model trained on stage I-III non-small cell lung cancer in stage IV non-small cell lung cancer. Lung Cancer. 2018;124:6-11. https://doi.org/10.1016/j.lungcan.2018.07.023
52. Rizzo S, Botta F, Raimondi S, et al. Radiomics of high-grade serous ovarian cancer: association between quantitative CT features, residual tumour and disease progression within 12 months. European Radiology. 2018;28(11):4849-4859. https://doi.org/10.1007/s00330-018-5389-z
53. Jethanandani A, Lin TA, Volpe S, et al. Exploring Applications of Radiomics in Magnetic Resonance Imaging of Head and Neck Cancer: A Systematic Review. Frontiers in Oncology. 2018;8:131. https://doi.org/10.3389/fonc.2018.00131
54. Rizzo S, Petrella F, Buscarino V, et al. CT Radiogenomic Characterization of EGFR, K-RAS, and ALK Mutations in Non-Small Cell Lung Cancer. European Radiology. 2016;26(1):32-42. https://doi.org/10.1007/s00330-015-3814-0