Analisi di texture dell’imaging TC dei tumori gastrointestinali stromali (GIST) e correlazione con il reperto anatomopatologico

Introduction: gastrointestinal stromal tumor (GIST) is a rare neoplasm, but one of the most frequent abdominal tumors. It originates from the interstitial cells of Cajal, most often due to a mutation of the KIT tyrosine kinase receptor, less frequently from the PDGFRA receptor; in other cases, it is defined as wild-type. Diagnosis and staging of the tumor are mainly achieved through computed tomography (CT). In this context, artificial intelligence (AI), through machine learning (ML) algorithms, allows the extraction of numerous morphological and statistical descriptors from CT images to determine correlations between radiomic parameters, phenotype, genotype, and/or mitotic count of GISTs. Objectives: the primary objective of this study is to validate a machine learning model trained on a dataset from a previous study on patients from two other centers to assess whether there are radiomic parameters (single or in combination) extracted from CT scans of GIST patients capable of predicting the type of genetic mutation of the tumor cells and foreseeing the patient's possible response to first-line therapy with Imatinib. Materials and Methods: eighty-two patients were recruited, with data coming from the IRCCS hospitals of Candiolo and Paolo Giaccone in Palermo, composing the training and internal validation dataset of the machine learning algorithm, and 44 patients from the AOU Molinette departments in Turin, making up the external validation dataset of the algorithm. CT images of the patients were segmented, radiomic features were extracted, and statistical classifiers were created to determine the genetic mutation of GIST and predict the response to first-line therapy with Imatinib. The algorithm was trained using the Bag of Words model (an unsupervised machine learning approach) on small regions of interest (ROIs) combined with features extracted from the entire tumor mass, with two approaches: the first with training and validation, the second with direct validation on the entire sample under examination. Results: the model achieved 91%, 63%, 87%, and 71% in terms of accuracy in responsive patients, accuracy in non-responsive patients, precision in responsive patients, and precision in non-responsive patients, respectively, in the training phase with the CT scans of patients from Candiolo and Palermo; it achieved 72%, 20%, 86%, and 8%, respectively, in the external validation phase with the CT scans of patients from Molinette. The second validation approach, which yielded better results, achieved 93%, 63%, 89%, and 73%, respectively. Discussion: The results demonstrated that studying microscopic differences within the tumor allows the identification of radiomic signatures predictive of the genetic mutation of GIST. This has significant implications for the future, such as in patients where biopsy material was insufficient or not obtainable due to the tumor location, or to initiate therapy early in responsive patients and avoid first-line therapy in resistant patients, thereby avoiding ineffective therapies and side effects in the context of precision medicine.

Introduzione: il tumore gastrointestinale stromale (GIST) è una neoplasia rara, ma è una delle più frequenti a livello addominale. Nasce dalle cellule interstiziali di Cajal, nella maggior parte dei casi per la mutazione del recettore tirosin-chinasico KIT, meno frequentemente dal recettore PDGFRA, negli altri casi è definito wild-type. La diagnosi e la stadiazione del tumore nella maggior parte dei casi si avvalgono della tomografia computerizzata (TC). In tale contesto si inserisce l’intelligenza artificiale (IA), che attraverso gli algoritmi di machine learning (ML) permette, attraverso l’estrazione dalle immagini TC di numerosi descrittori morfologici e statistici, di determinare delle correlazioni tra parametri radiomici, fenotipo, genotipo e/o conta mitotica dei GIST. Obiettivi: l’obiettivo primario dello studio è validare un modello di machine learning allenato su un dataset di uno studio precedente su pazienti provenienti da altri due centri per valutare se vi siano parametri radiomici (singoli o in combinazione), estratti da esami TC di pazienti con GIST, in grado di predire il tipo di mutazione genetica delle cellule tumorali e prevedere la possibile risposta del paziente alla terapia di prima linea con Imatinib. Materiali e metodi: sono stati reclutati 82 pazienti, i cui dati provengono dagli ospedali IRCCS di Candiolo e Paolo Giaccone di Palermo, a comporre il dataset di training e validazione interna dell’algoritmo di machine learning, e 44 pazienti, afferenti ai reparti dell’AOU Molinette di Torino, che compongono il dataset di validazione esterna dell’algoritmo. Sono state segmentate le immagini TC dei pazienti, estratte le features radiomiche e creati dei classificatori statistici per determinare la mutazione genica del GIST e predire la risposta alla prima linea di terapia con Imatinib. L’algoritmo è stato allenato attraverso il modello del Bag of Words (approccio non supervisionato di machine learning) su regioni di interesse (ROI) di piccole dimensioni in combinazione con features estratte dall’intera massa tumorale, con due approcci: il primo con training e validazione, il secondo con validazione diretta sull’intero campione in esame. Risultati: il modello ha raggiunto il 91%, 63%, 87% e 71% in termini di, rispettivamente, accuratezza nei pazienti sensibili, accuratezza nei pazienti non responsivi, precisione nei pazienti sensibili e precisione nei pazienti non responsivi nella fase di training con le TC dei pazienti di Candiolo e Palermo; sugli stessi parametri ha raggiunto invece rispettivamente il 72%, 20%, 86% e 8% nella fase di validazione esterna con le TC dei pazienti delle Molinette. Il secondo approccio di validazione, dai risultati migliori, ha ottenuto, rispettivamente, 93%, 63%, 89%, 73%. Discussione: i risultati hanno dimostrato che lo studio delle differenze microscopiche all’interno del tumore permette di identificare delle signatures radiomiche predittive della mutazione genetica del GIST. Questo ha implicazioni importanti per il futuro, ad esempio nei pazienti in cui il materiale bioptico sia stato insufficiente o non prelevabile per sede del tumore, oppure per avviare precocemente la terapia nei pazienti sensibili ed evitare la terapia di prima linea nei resistenti, con la finalità di evitare terapie non efficaci ed effetti collaterali nell’ottica di una medicina di precisione.