Utilizzo dell'analisi intelligente delle immagini per prevedere la risposta alla chemioterapia nel tumore osseo: una guida per il paziente alla radiomica per l'osteosarcoma

Indice dei contenuti

• Punti chiave
• Comprendere l'osteosarcoma e il suo trattamento
• La sfida di prevedere la risposta alla chemioterapia
• Che cos'è la radiomica e come funziona?
• Come è stata condotta questa revisione della ricerca
• Risultati chiave: cosa mostrano gli studi
• La risonanza magnetica mostra capacità superiori
• Implicazioni cliniche: cosa significa per i pazienti
• Limiti dello studio: cosa questa revisione non ha potuto dimostrare
• Raccomandazioni per pazienti e famiglie
• Domande frequenti
• Informazioni sulla fonte

Punti chiave

• La radiomica basata sulla risonanza magnetica ha previsto la risposta alla chemioterapia neoadiuvante nell'osteosarcoma con un'accuratezza fino al 93,8% e AUC 0,961 in uno studio.
• La radiomica estrae pattern analizzati al computer da scansioni TC, RM o PET che possono prevedere una necrosi tumorale ≥90% prima dell'intervento chirurgico.
• La risposta alla chemioterapia è attualmente valutata dopo l'intervento chirurgico; la radiomica mira a prevederla prima, consentendo la personalizzazione del trattamento.
• La maggior parte degli studi di radiomica aveva campioni piccoli e monocentrici, e l'approccio non è ancora standardizzato per l'uso clinico di routine.
• La radiomica PET/TC con apprendimento automatico ha migliorato la previsione, ma le sole caratteristiche PET grezze hanno avuto una scarsa performance in uno studio.

Comprendere l'osteosarcoma e il suo trattamento

L'osteosarcoma è il tumore osseo maligno primitivo più comune, rappresentando circa il 20% di tutti i tumori ossei maligni primitivi. Colpisce principalmente bambini e adolescenti, con la metafisi (l'estremità in accrescimento) delle ossa lunghe, come il femore o la tibia, che rappresenta il sito tipico in cui si sviluppa il cancro.

Le moderne strategie di trattamento hanno migliorato significativamente gli esiti. L'attuale tasso di sopravvivenza a 5 anni per i pazienti con osteosarcoma è ora del 60%-70%, un notevole miglioramento rispetto ai decenni passati. Questo progresso è in gran parte dovuto all'approccio terapeutico standard, che combina tre componenti:

• Chemioterapia neoadiuvante (NAC) — chemioterapia somministrata prima dell'intervento chirurgico per ridurre il tumore
• Resezione chirurgica — rimozione chirurgica del tumore
• Chemioterapia adiuvante postoperatoria — chemioterapia aggiuntiva somministrata dopo l'intervento chirurgico per eliminare eventuali cellule tumorali residue

L'attuale standard clinico utilizza regimi chemioterapici multi-agente, che tipicamente includono metotrexato ad alte dosi (HD-MTX), ifosfamide (IFO), doxorubicina (ADM) e cisplatino (DDP). Questi farmaci agiscono insieme per uccidere le cellule tumorali, ma il trattamento è intenso e può causare effetti collaterali significativi.

È qui che risiede il problema: i pazienti rispondono in modo molto diverso allo stesso regime chemioterapico. Il tasso di risposta, definito come la percentuale di pazienti che raggiungono almeno il 90% di morte delle cellule tumorali (necrosi) dopo la chemioterapia, varia da solo il 30% al 60%. Ciò significa che un numero considerevole di pazienti sopporta i duri effetti collaterali della chemioterapia senza ottenerne il pieno beneficio.

La sfida di prevedere la risposta alla chemioterapia

La sensibilità alla chemioterapia è uno dei fattori prognostici più critici nell'osteosarcoma. Lo studio clinico di riferimento EURAMOS-1 ha rilevato che solo circa il 50% dei pazienti ottiene una buona risposta istologica, definita come necrosi tumorale pari o superiore al 90% dopo chemioterapia neoadiuvante. Questo tasso di risposta ha importanti implicazioni per la prognosi, poiché ha guidato le decisioni terapeutiche nello studio.

Attualmente, il metodo standard per valutare la risposta alla chemioterapia si basa sull'esame al microscopio del tumore rimosso chirurgicamente. Questo approccio, descritto da Huvos e colleghi, classifica i pazienti in due gruppi:

• Buoni responder patologici — pazienti con necrosi tumorale superiore al 90%
• Cattivi responder patologici — pazienti con necrosi tumorale inferiore al 90%

Il limite fondamentale di questo approccio è la tempistica. La risposta può essere valutata solo dopo l'intervento chirurgico, il che significa che non può guidare le decisioni sull'opportunità di continuare o modificare la chemioterapia durante il trattamento. Ad oggi, nessun marcatore clinico, biologico o di imaging definitivo consente ai medici di prevedere in modo affidabile la risposta alla chemioterapia abbastanza precocemente da modificare le strategie di trattamento.

È inoltre importante notare che la "risposta alla chemioterapia" comprende due concetti distinti nell'osteosarcoma:

• Risposta istologica — definita dalla morte delle cellule tumorali misurata dopo l'intervento chirurgico
• Risposta radiologica — riflessa dai cambiamenti all'imaging, come le alterazioni delle dimensioni o della densità del tumore alla TC o alla RM

Gli strumenti predittivi basati sulla radiomica mirano principalmente a prevedere la risposta istologica utilizzando l'imaging pre-trattamento. Ciò colma il divario tra la valutazione radiologica precoce e i risultati patologici chirurgici ritardati.

I criteri radiologici esistenti come RECIST (Response Evaluation Criteria in Solid Tumors) sono meno applicabili all'osteosarcoma perché la presenza di matrice ossea complica la valutazione delle variazioni delle dimensioni del tumore. Ciò rende difficile stabilire se un tumore sta rispondendo semplicemente misurandone le dimensioni su una scansione.

Che cos'è la radiomica e come funziona?

La radiomica rappresenta un cambiamento rivoluzionario nell'analisi delle immagini mediche. Invece di affidarsi alla sola interpretazione visiva del radiologo, la radiomica utilizza algoritmi informatici avanzati per estrarre migliaia di misurazioni quantitative dalle immagini mediche. Queste misurazioni rientrano in diverse categorie:

• Caratteristiche morfologiche — caratteristiche di forma del tumore
• Caratteristiche di intensità (statistiche del primo ordine) — proprietà statistiche dei valori dei pixel all'interno del tumore
• Caratteristiche di texture (caratteristiche di secondo ordine e di ordine superiore) — modelli di disposizione dei pixel che rivelano l'eterogeneità tumorale

Queste caratteristiche possono essere estratte da molteplici modalità di imaging, tra cui la tomografia computerizzata (TC), la risonanza magnetica (RM) e la tomografia a emissione di positroni con 18F-fluorodesossiglucosio (18F-FDG PET/TC). La tecnologia può caratterizzare con precisione l'eterogeneità tumorale e il microambiente tumorale, superando i limiti di soggettività e riproducibilità dell'interpretazione manuale tradizionale delle immagini.

Per comprendere come funziona la radiomica, è utile conoscere gli strumenti di intelligenza artificiale (IA) che ne sono alla base:

• Apprendimento automatico (ML) — un sottoinsieme dell'IA che utilizza algoritmi per apprendere modelli dai dati e fare previsioni senza essere esplicitamente programmato per ogni compito
• Apprendimento profondo (DL) — una branca specializzata dell'apprendimento automatico che utilizza reti neurali multistrato per estrarre automaticamente caratteristiche gerarchiche da dati complessi come le immagini mediche
• Reti neurali convoluzionali (CNN) — un tipo di algoritmo di apprendimento profondo che utilizza kernel convoluzionali multistrato per estrarre automaticamente le caratteristiche dell'immagine. Questo approccio consente l'analisi simultanea sia delle caratteristiche microscopiche di texture sia dei modelli morfologici macroscopici

I metodi statistici convenzionali presentano limiti significativi nell'elaborazione dei dati ad alta dimensionalità e non lineari caratteristici della radiomica. La loro capacità di estrazione delle caratteristiche è limitata e faticano a riconoscere modelli complessi. Al contrario, gli approcci di apprendimento profondo offrono due vantaggi distinti:

1. Eliminano il bias di selezione insito nell'ingegnerizzazione manuale delle caratteristiche
2. Attraverso l'ottimizzazione tramite retropropagazione, possono identificare direttamente potenziali biomarcatori di imaging dai dati grezzi dei pixel

Gli studi di validazione clinica hanno stabilito che i modelli di previsione basati sull'apprendimento profondo dimostrano prestazioni superiori nella valutazione della risposta alla chemioterapia neoadiuvante rispetto ai metodi tradizionali.

Come è stata condotta questa revisione della ricerca

I ricercatori hanno seguito le linee guida PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) per garantire che la loro revisione fosse approfondita e imparziale. Ecco come hanno condotto la loro ricerca:

• Banche dati consultate: Tre importanti banche dati mediche
• Periodo di tempo coperto: Articoli pubblicati tra il 1° gennaio 2014 e il 31 dicembre 2024
• Termini di ricerca utilizzati: "osteosarcoma AND chemotherapy AND response AND prediction"
• Restrizione linguistica: Solo articoli di ricerca originali in lingua inglese; gli articoli di revisione sono stati esclusi

Due ricercatori indipendenti hanno effettuato lo screening iniziale basato su titoli e abstract. Gli studi potenzialmente eleggibili sono stati poi sottoposti a revisione del testo completo. Eventuali discrepanze tra i revisori sono state risolte tramite discussione di consenso.

Gli studi sono stati inclusi se soddisfacevano tutti e tre i criteri:

1. Osteosarcoma primitivo confermato istologicamente
2. Valutazione della previsione della risposta alla chemioterapia neoadiuvante
3. Risposta patologica riportata (ad es., ≥90% di necrosi tumorale)

Gli studi sono stati esclusi se:

• Non riportavano esiti rilevanti
• Non includevano specificamente il termine "osteosarcoma"
• Limitavano la valutazione alla sola imaging post-chemioterapia
• Erano studi prognostici piuttosto che predittivi
• Utilizzavano approcci non basati sull'imaging

Per l'estrazione dei dati, due ricercatori hanno raccolto le informazioni in modo indipendente utilizzando un modulo standardizzato. Questo includeva anno di pubblicazione, disegno dello studio, dati demografici dei pazienti, parametri di imaging, metodologia di estrazione delle caratteristiche radiomiche, costruzione del modello predittivo ed esiti primari. Quando i dati erano mancanti o ambigui, hanno tentato di contattare gli autori originali per chiarimenti.

I ricercatori hanno inoltre utilizzato lo strumento Radiomics Quality Score (RQS) per valutare la qualità degli studi. La valutazione si è concentrata su diversi componenti critici, inclusi i protocolli di acquisizione delle immagini (parametri dell'apparecchiatura e standardizzazione della scansione), i metodi di segmentazione del tumore, le tecniche di estrazione delle caratteristiche e gli approcci di costruzione del modello.

Infine, gli autori hanno eseguito una metanalisi quantitativa utilizzando modelli a effetti casuali per confrontare le prestazioni predittive di diverse modalità di imaging (RM e PET-TC). Hanno calcolato sensibilità, specificità e area sotto la curva ROC (AUC) aggregate, una misura di quanto bene un test distingue tra buoni e cattivi responder. L'eterogeneità dello studio (incoerenza tra gli studi) è stata valutata utilizzando la statistica I².

Risultati chiave: cosa mostrano gli studi

La revisione ha identificato 24 studi eleggibili che valutavano la radiomica per prevedere la risposta alla chemioterapia neoadiuvante nell'osteosarcoma. Gli studi utilizzavano varie modalità di imaging, tra cui raggi X, TC, RM, scansioni di medicina nucleare e PET/TC. Ecco i risultati chiave organizzati per tipo di imaging.

Raggi X e RM combinate

Uno studio del 2023 di Z. Luo e colleghi che ha coinvolto 102 pazienti ha combinato la radiomica di raggi X e RM con dati clinici. Il modello che utilizzava tutti i dati combinati ha raggiunto un'AUC di 0,828. I singoli modelli hanno ottenuto i seguenti risultati: clinica più radiomica a raggi X ha raggiunto un'AUC di 0,760, la sola radiomica a raggi X 0,751, la sola radiomica RM 0,706 e la combinazione di radiomica a raggi X più RM 0,796.

Radiomica basata su TC

F. Yang e colleghi (2024) hanno condotto uno studio bicentrico con 225 pazienti utilizzando la radiomica TC. I modelli che combinavano caratteristiche radiomiche e cliniche hanno raggiunto valori di AUC di 0,78 nel set di addestramento e 0,75 nel set di validazione indipendente.

D. Fu e colleghi (2023) hanno studiato 18 pazienti ed esaminato le caratteristiche del grasso peri-osteosarcoma alla TC. L'indice di attenuazione del grasso peri-osteosarcoma (FAI) ha raggiunto un'AUC di 0,950, mentre la concentrazione di metotrexato a 6 ore ha avuto un'AUC di 0,963, entrambi indicativi di un'eccellente prestazione predittiva per la risposta alla chemioterapia.

L. Xu e colleghi (2021) hanno studiato 157 pazienti e migliorato l'accuratezza predittiva combinando le caratteristiche radiomiche TC sia dell'area tumorale sia delle aree ossee non tumorali circostanti, utilizzando molteplici tecniche di apprendimento automatico.

Imaging di Medicina Nucleare (Tc-MIBI)

C. Wu e colleghi (2019) hanno studiato 30 pazienti utilizzando scansioni Tc-MIBI. Hanno riscontrato che il tasso di washout tumorale (la velocità con cui il tracciante radioattivo lascia il tumore) era correlato negativamente con il tasso di necrosi tumorale (r = −0,510, P = 0,004). Quando un tasso di washout pari o inferiore al 25% è stato utilizzato come soglia per predire una buona risposta alla chemioterapia, la sensibilità è stata del 100%, la specificità del 91,7% e l'accuratezza del 95,8%.

Radiomica Basata sulla Risonanza Magnetica

Molteplici studi basati sulla RM hanno dimostrato una forte prestazione predittiva:

• F. Zheng (2024), 106 pazienti: Un modello radiomico di apprendimento profondo ha raggiunto la più alta prestazione predittiva con un'accuratezza del 93,8% e un'AUC di 0,961 nel set di test.
• Y. Zhang (2024), 109 pazienti: Un modello combinato che utilizza RM pre- e post-chemioterapia ha raggiunto valori di AUC di 0,999 nel set di addestramento e 0,915 nel set di test. In particolare, i modelli post-chemioterapia hanno mostrato prestazioni migliori rispetto ai modelli pre-chemioterapia.
• Kanthawang Thanat (2024), 95 pazienti: Il volume tumorale superiore a 150 mL e il diametro assiale massimo superiore a 7,0 cm sono stati identificati come predittori indipendenti di scarsa risposta (P = 0,025 e P = 0,045, rispettivamente).
• J. Zhong (2022), 144 pazienti: I modelli radiomici hanno raggiunto valori di AUC di 0,699, 0,759 e 0,784 in diverse configurazioni del modello.
• K.Y. Teo (2022), 15 pazienti: L'apprendimento automatico combinato con RM multimodale ha mostrato un'eccellente prestazione nel predire la necrosi tumorale, con AUC di 0,999 nel set di addestramento e 0,915 nel set di test.
• Esha Baidya Kayal (2022), 35 pazienti (IVIM-MRI): I parametri basali hanno mostrato un'AUC di 0,87, sensibilità dell'86% e specificità del 77%. Dopo il primo ciclo di chemioterapia, l'AUC è aumentata a 0,96, con sensibilità dell'86% e specificità del 100%.
• J. Dufau (2019), 69 pazienti: Di questi pazienti, il 55,1% (38 su 69) erano buoni responder istologici. Un modello a macchine a vettori di supporto basato sui dati radiomici RM iniziali ha raggiunto un'AUROC di 0,98, sensibilità del 100% (IC al 95% [100%–100%]) e specificità dell'86% (IC al 95% [59,7%–111%]).
• G.J. Djuričić (2017), 22 pazienti: L'analisi morfologica computazionale utilizzando algoritmi frattali e di matrici di co-occorrenza dei livelli di grigio ha predetto la risposta alla chemioterapia con un'AUC di 0,82 e un'accuratezza dell'82%.

Tecniche RM Avanzate (DCE-MRI e IVIM-DWI)

• Zeng Yan-Ni (2022), 25 pazienti (DCE-MRI): Utilizzando soglie di 3,2%/s (Slope), 175 secondi (TTP) e 5,4% (ER), la sensibilità e la specificità per predire una buona risposta alla chemioterapia sono state rispettivamente dell'83,3% e del 92,3%, del 91,7% e del 69,2%, e dell'84,6% e del 75,0%.
• Xibin Xia (2022), 163 pazienti (DCE-MRI + IVIM-DWI): Dopo due cicli di trattamento, i valori di Ktrans, Kep e Ve erano significativamente più bassi nel gruppo con risposta completa/risposta parziale rispetto al gruppo con malattia stabile/malattia progressiva. Nel frattempo, i valori di D, ADC e f erano significativamente più alti nei buoni responder. Gli esami del sangue per la fosfatasi alcalina (ALP) e la lattato deidrogenasi (LDH) erano correlati positivamente con i valori di Ktrans, Kep e Ve, ma negativamente con i valori di D, ADC e f.
• A. Bouhamama (2022), 176 pazienti in 3 centri: Il modello combinato DCE-MRI e IVIM-DWI ha raggiunto valori di AUC di 0,95 e 0,97, con sensibilità del 91% e specificità del 92%.
• L. Zhang (2021), 102 pazienti (DCE-MRI): I modelli che combinano fattori di rischio clinici (come lo stadio chirurgico) con caratteristiche radiomiche hanno superato la sola radiomica. Il modello combinato ha raggiunto un'accuratezza predittiva di 0,91 nel set di addestramento e 0,90 nel set di test, con valori di AUC di 0,94 e 0,95, rispettivamente.
• M.M. Saleh (2020), 53 pazienti (RM multiparametrica con DWI): Questo studio ha evidenziato l'importanza dell'uso della RM multiparametrica, in particolare dell'imaging pesato in diffusione (DWI) e delle mappe del coefficiente di diffusione apparente (ADC), nel predire la sensibilità alla chemioterapia. Ha inoltre sottolineato i limiti dei metodi di valutazione tradizionali basati esclusivamente sulla variazione del volume tumorale.

Radiomica basata su PET/TC

• B.C. Kim (2021), 52 pazienti: L'accuratezza del test di risposta alla chemioterapia utilizzando le caratteristiche di texture dell'immagine è stata di 0,83, e l'accuratezza del test per le metastasi è stata di 0,76. La combinazione dei dati di imaging con quelli genomici (radiogenomica) ha migliorato i risultati: la massima accuratezza del test per la risposta alla chemioterapia con AUC_max, KI67 ed EZRIN è stata di 0,85 con un'AUC di 0,89. L'accuratezza della previsione delle metastasi è aumentata del 10% utilizzando i dati radiogenomici.
• Kim J (2021), 105 pazienti: Mentre un modello di previsione basato sulle caratteristiche di texture della PET al basale con l'apprendimento automatico tradizionale stimava esiti sfavorevoli, una rete CNN 2D che utilizzava immagini FDG PET al basale poteva prevedere la risposta al trattamento prima della chemioterapia. Ciò suggerisce che l'apprendimento profondo sulle immagini PET può aiutare a decidere se eseguire la chemioterapia neoadiuvante.
• H. Song (2019), 35 pazienti: Il volume tumorale metabolico (MTV) è stato identificato come il parametro migliore per prevedere la risposta alla chemioterapia, con un'AUC di 0,918 e un valore p inferiore a 0,0001, indicando un'accuratezza predittiva molto elevata.
• S.Y. Jeong (2019), 70 pazienti: Le sole caratteristiche PET al basale (SUVmax, TLG, MTV, entropia del primo ordine ed entropia della matrice di co-occorrenza dei livelli di grigio) avevano AUC scarse, comprese tra 0,536 e 0,553. Tuttavia, le caratteristiche di apprendimento automatico che utilizzavano SVM lineare, random forest e gradient boost hanno raggiunto AUC rispettivamente di 0,72, 0,78 e 0,82, dimostrando che l'apprendimento automatico ha migliorato notevolmente il potere predittivo.
• I. Lee B (2018), 62 pazienti: Questo studio ha confrontato la scintigrafia ossea con Tc-MDP e la FDG PET/TC, mostrando che ciascun metodo di imaging (con caratteristiche come il rapporto T/N e SUVmax) offriva vantaggi diversi nella previsione della risposta.
• J.C. Davis (2018), 34 pazienti: Il SUVmax sulle immagini di routine a 5 o 10 settimane, e la variazione percentuale del SUVmax dal basale alla settimana 10, sono stati identificati come predittori metabolici della risposta istologica.
• B.H. Byun (2015), 34 pazienti (FDG PET/TC a doppia fase): Utilizzando criteri combinati di variazione percentuale del SUV e valori dell'indice di ritenzione (RI), le accuratezze di previsione sono state dell'81%, del 77% e del 77% per varie combinazioni. La risposta istologica dopo chemioterapia neoadiuvante poteva essere prevista utilizzando l'RImean prima dell'inizio del trattamento, e l'uso combinato dei valori di SUV e RI forniva una previsione migliore.

La RM mostra una capacità superiore

Una conclusione chiave di questa revisione è che la RM dimostra una capacità superiore nell'integrazione di dati multimodali e nell'estrazione di caratteristiche ad alto rendimento. Ciò ha senso perché la RM fornisce un eccellente contrasto dei tessuti molli, consentendo una visualizzazione dettagliata del tumore all'interno dell'osso e dei tessuti circostanti.

I modelli con le migliori prestazioni dell'intera revisione erano principalmente basati sulla RM. Ad esempio, il modello radiomico di apprendimento profondo di F. Zheng ha raggiunto un'accuratezza del 93,8% e un'AUC di 0,961, mentre il modello RM combinato pre- e post-chemioterapia di Y. Zhang ha raggiunto un'AUC di 0,999 in addestramento e 0,915 in test. Lo studio DCE-MRI di A. Bouhamama su tre centri ha raggiunto valori di AUC di 0,95 e 0,97.

Anche la radiomica basata su PET/TC si è dimostrata promettente, in particolare se combinata con approcci di apprendimento automatico o apprendimento profondo. Lo studio di S.Y. Jeong ha dimostrato che mentre le caratteristiche PET grezze avevano prestazioni scarse (AUC 0,536–0,553), l'applicazione di algoritmi di apprendimento automatico ha aumentato notevolmente le prestazioni (AUC 0,72–0,82). Ciò evidenzia un principio cruciale: non è solo la modalità di imaging che conta, ma l'approccio analitico è altrettanto importante.

Implicazioni cliniche: cosa significa per i pazienti

Il valore clinico della previsione della risposta alla chemioterapia abbraccia tre dimensioni chiave:

1. Ottimizzazione del trattamento. Modelli predittivi accurati consentirebbero strategie terapeutiche veramente personalizzate. Per i pazienti che si prevede risponderanno bene alla chemioterapia, il trattamento può essere ottimizzato, ad esempio mantenendo regimi efficaci per evitare un'escalation non necessaria. Per i pazienti che si prevede avranno una scarsa risposta, si potrebbe passare tempestivamente a terapie alternative, come agenti mirati o immunoterapia, attualmente in fase di sperimentazione clinica.

2. Gestione prognostica. Strumenti di previsione affidabili faciliterebbero l'identificazione precoce delle popolazioni di pazienti ad alto rischio, consentendo un monitoraggio più intensivo e interventi clinici tempestivi. Ad esempio, lo studio SARC024 ha utilizzato strumenti predittivi per stratificare i pazienti in bracci di terapia innovativa in base alla resistenza prevista, accelerando il processo di sviluppo del farmaco.

3. Trasferimento alla ricerca. Sistemi di previsione robusti forniscono criteri di stratificazione preziosi per la progettazione di studi clinici. Ciò significa che gli studi clinici futuri possono essere progettati in modo più efficiente, con i pazienti giusti assegnati ai bracci di trattamento giusti fin dall'inizio.

La natura non invasiva della radiomica è un altro grande vantaggio. A differenza della biopsia, che richiede una procedura invasiva, l'imaging medico può essere ripetuto durante tutta la terapia senza rischi aggiuntivi per il paziente. Ciò consente un monitoraggio dinamico della risposta del tumore e l'adeguamento dei piani di trattamento in tempo reale.

Limiti dello studio: cosa questa revisione non ha potuto dimostrare

Sebbene i risultati siano incoraggianti, la revisione evidenzia diversi limiti importanti che i pazienti dovrebbero comprendere:

• Dimensioni ridotte del campione: Molti degli studi inclusi avevano popolazioni di pazienti piccole. Ad esempio, diversi studi avevano meno di 35 pazienti, il che limita la potenza statistica e la generalizzabilità dei loro risultati.
• Disegni monocentrici: La maggior parte degli studi è stata condotta in un'unica istituzione, il che solleva interrogativi sulla validità dei risultati in ospedali diversi con apparecchiature e protocolli di imaging differenti.
• Eterogeneità tra gli studi: Gli studi variavano significativamente in termini di parametri di imaging, metodi di segmentazione, tecniche di estrazione delle caratteristiche e algoritmi di apprendimento automatico. Questa eterogeneità complica i confronti diretti e la metanalisi.
• Mancanza di standardizzazione: Attualmente non esiste uno standard uniforme per l'estrazione e l'analisi delle caratteristiche radiomiche, il che può portare a problemi di riproducibilità.
• Variabilità nella selezione delle caratteristiche: La revisione ha rilevato che i metodi di selezione delle caratteristiche e le strategie di validazione variavano considerevolmente tra gli studi, influenzando l'accuratezza della previsione.
• Distinzione tra predittivo e prognostico: La revisione ha distinto attentamente tra studi predittivi (che prevedono la risposta al trattamento) e studi prognostici (che prevedono gli esiti complessivi). Sono stati inclusi solo studi predittivi, ma questa distinzione può essere difficile da mantenere nella pratica.

È inoltre importante notare che, sebbene la radiomica mostri eccellenti promesse, questi strumenti non sono ancora pronti per l'uso clinico di routine. Dovrebbero essere considerati approcci sperimentali che possono integrare, ma non ancora sostituire, la valutazione istopatologica standard dopo l'intervento chirurgico.

Raccomandazioni per pazienti e famiglie

Se Lei o una persona cara state affrontando un trattamento per l'osteosarcoma, ecco alcuni suggerimenti pratici tratti da questa ricerca:

1. Chieda informazioni sulla valutazione della risposta basata sull'imaging. Sebbene lo standard di cura rimanga la valutazione istopatologica dopo l'intervento chirurgico, alcuni centri oncologici stanno iniziando a utilizzare analisi di imaging avanzate per monitorare la risposta durante la chemioterapia neoadiuvante.
2. Partecipi a studi clinici quando possibile. Molti degli approcci di apprendimento automatico e radiomica discussi in questa revisione vengono perfezionati in studi clinici. Partecipare alla ricerca può darLe accesso a strumenti predittivi all'avanguardia, contribuendo al progresso scientifico.
3. Comprenda i criteri di risposta. Quando il Suo team di cura parla di "buona risposta" alla chemioterapia, si riferisce in genere a una necrosi tumorale pari o superiore al 90% osservata al microscopio dopo l'intervento chirurgico. Questo è un fattore prognostico chiave.
4. Chieda informazioni su RM rispetto a PET/TC. Sulla base di questa revisione, la radiomica basata sulla RM sembra offrire la maggiore potenza predittiva, ma anche la PET/TC con analisi di apprendimento automatico mostra promesse. Le apparecchiature e le competenze del Suo centro influenzeranno l'approccio più fattibile.
5. Discuta onestamente i limiti. Nessun test di imaging o modello radiomico può prevedere perfettamente la risposta alla chemioterapia. L'obiettivo di questi strumenti è fornire informazioni aggiuntive per guidare le decisioni terapeutiche, non sostituire il giudizio clinico.
6. Consideri di farsi curare presso un centro specializzato in sarcomi. L'osteosarcoma è un tumore raro e i centri con elevati volumi di pazienti hanno maggiori probabilità di avere accesso a capacità avanzate di analisi delle immagini e a studi clinici.

In conclusione: la radiomica rappresenta una frontiera entusiasmante nella cura dell'osteosarcoma. La capacità di prevedere la risposta alla chemioterapia da una semplice RM o PET, prima ancora di iniziare qualsiasi trattamento, potrebbe risparmiare ai pazienti terapie inefficaci, guidare piani di trattamento più personalizzati e, in ultima analisi, migliorare gli esiti di sopravvivenza. Sebbene siano necessarie ulteriori ricerche per standardizzare questi approcci e validarli su popolazioni più ampie e multicentriche, le evidenze finora disponibili sono altamente incoraggianti.

Domande frequenti

Che cos'è la radiomica e come può aiutare nell'osteosarcoma?

La radiomica utilizza algoritmi informatici per estrarre dalle immagini mediche informazioni dettagliate che l'occhio non può vedere, come i pattern di texture. Nell'osteosarcoma, la radiomica mira a prevedere se la chemioterapia somministrata prima dell'intervento chirurgico otterrà una buona risposta, ovvero almeno il 90% di morte delle cellule tumorali. Ciò potrebbe aiutare a personalizzare il trattamento ed evitare terapie inefficaci.

La radiomica può prevedere la risposta prima dell'intervento chirurgico, mentre la chemioterapia è ancora in corso?

Sì. L'obiettivo è prevedere il risultato ritardato dell'esame istologico chirurgico utilizzando l'imaging ottenuto prima o durante la chemioterapia. Uno studio ha rilevato che la risonanza magnetica dopo il primo ciclo di chemioterapia ha migliorato la previsione rispetto a prima del trattamento. Ciò consente un aggiustamento più precoce del trattamento, a differenza del metodo standard che valuta il tumore solo dopo la sua rimozione chirurgica.

La radiomica è pronta per l'uso clinico di routine nell'osteosarcoma?

No, non ancora. La revisione afferma che questi strumenti dovrebbero essere considerati sperimentali. Possono integrare ma non sostituire la valutazione istopatologica standard dopo l'intervento chirurgico. I limiti includono dimensioni ridotte del campione, disegni monocentrici e mancanza di standardizzazione. È importante discutere con il Suo team di cura se l'analisi avanzata delle immagini sia disponibile e adatta.

Quali sono i principali limiti della ricerca sulla radiomica per l'osteosarcoma?

Molti studi avevano un numero ridotto di pazienti, ad esempio meno di 35 pazienti in diversi casi. La maggior parte proveniva da un singolo centro, quindi i risultati potrebbero non essere applicabili altrove. Non esisteva uno standard uniforme per l'estrazione e l'analisi delle caratteristiche radiomiche, causando problemi di riproducibilità. La revisione consiglia che nessuno strumento di imaging sostituisca ancora il giudizio clinico.

Dovrei chiedere al mio medico informazioni sulla radiomica o sull'analisi avanzata delle immagini durante il trattamento?

Può chiedere se il Suo centro utilizza la valutazione della risposta basata sull'imaging durante la chemioterapia neoadiuvante. Alcuni centri oncologici stanno iniziando a utilizzare l'analisi avanzata delle immagini per monitorare la risposta. Tuttavia, lo standard di cura rimane l'esame del tumore rimosso chirurgicamente dopo l'intervento. Partecipi a studi clinici se possibile, poiché questi strumenti vengono perfezionati in ambito di ricerca.

Dovrei richiedere un secondo parere sul mio piano di trattamento per l'osteosarcoma prima di iniziare la chemioterapia neoadiuvante?

Per l'osteosarcoma, la risposta alla chemioterapia è attualmente nota solo dopo l'intervento chirurgico, quando la morte delle cellule tumorali viene verificata al microscopio. Poiché circa il 30–60% dei pazienti non ottiene una buona risposta (90% o più di necrosi tumorale), un secondo parere prima di iniziare la chemioterapia neoadiuvante può essere prezioso. Un esperto può rivedere il Suo imaging e discutere se gli strumenti sperimentali basati sulla radiomica, non ancora standard, potrebbero suggerire approcci alternativi come la terapia mirata o gli studi clinici. L'analisi basata sulla risonanza magnetica mostra un forte potenziale predittivo nella ricerca. Diagnostic Detectives Network fornisce secondi pareri indipendenti da esperti.

Informazioni sulla fonte

Original article title: Radiomics for predicting sensitivity to neoadjuvant chemotherapy in osteosarcoma: current status and advances.

Authors: Zhang P, Yao W, Li Z, Fan Y, Du X, Wang B, Zhang F, Hou J, Su Q.

Affiliations: Henan Cancer Hospital / Affiliated Cancer Hospital of Zhengzhou University, Zhengzhou, China; Zhengzhou University, Zhengzhou, China; Zhoukou Central Hospital, Zhoukou, China

Journal: Oncology Reviews, Volume 19, Article 1633211

Publication date: October 17, 2025

DOI: 10.3389/or.2025.1633211

Study type: Systematic review with meta-analysis

Questo articolo di facile consultazione per i pazienti si basa su ricerche sottoposte a revisione paritaria. L'articolo originale è stato pubblicato sotto la Creative Commons Attribution License (CC BY), che consente la condivisione e l'adattamento con adeguato riconoscimento agli autori originali e alla fonte. Questa sintesi per i pazienti è stata creata per rendere i risultati della ricerca più accessibili a pazienti, famiglie e caregiver. Non intende costituire un consiglio medico: La preghiamo di consultare il Suo team di oncologia per indicazioni specifiche sulla Sua situazione.