ANNO: 2024
Il carcinoma prostatico (CP) rappresenta la neoplasia maggiormente diagnosticata nel sesso maschile. In funzione delle caratteristiche istopatologiche, del PSA alla diagnosi e della stadiazione clinica i pazienti con CP localizzato possono essere avviati a diverse strategie che includono: la sorveglianza attiva, la chirurgia (CH) o la radioterapia (RT) (+/- terapia ormonale, OT).
L’attuale stratificazione del rischio basata sui fattori sopramenzionati presenta delle limitazioni. Primo, la sorveglianza attiva è una strategia proponibile solo in presenza di basso rischio istologico e basata su esami bioptici e strumentali ripetuti nel tempo, con conseguente impegno e distress per il paziente. Secondo, una quota di pazienti sottoposti a chirurgia upfront presenta un upstaging alla diagnosi definitiva che porta alla necessità di ulteriori trattamenti (RT +/- OT). Terzo, alcuni pazienti vengono sottoposti a plurimi esami per una accurata stratificazione del rischio (RM, PET- PSMA). Quarto, informazioni prognostiche fondamentali quali la presenza di mutazioni germinali di BRCA non sono attualmente inserite nella stratificazione del rischio.
Razionale ed Ipotesi: I fattori attualmente considerati per la stratificazione del rischio del CP localizzato presentano delle limitazioni. L’utilizzo di metodiche di intelligenza artificiale e in particolare della radiomica può permettere un miglioramento dell’algoritmo terapeutico e del management dei pazienti affetti da CP localizzato.
Aims. Gli obiettivi dello studio includono:
- Aim 1: identificare features radiomiche alla RM multiparametrica (mpRM) in grado di predire la presenza di CP con componenti Gleason Score 4;
- Aim 2: sviluppare un algoritmo di stratificazione del rischio basato su caratteristiche cliniche, istopatologiche e radiomiche in grado di identificare pazienti a rischio di upstaging alla chirurgia definitiva;
- Aim 3: identificare features radiomiche in grado di predire la presenza di coinvolgimento linfonodale alla mpRM.
Materiali e metodi: Studio multicentrico retrospettivo.
- Aim 1. Popolazione. Pazienti sottoposti a prostatectomia radicale con riscontro di CP grado ISUP 1-3. Analisi. Le regions of interest (ROI) saranno estratte automaticamente da sequenze T2-pesate e sequenze ADC di mpRM. La correlazione con il grado istopatologico sarà eseguita con il Kruskal-Wallis test e il test di Spearman. Le features identificate verranno testate in un random forest model per sviluppare un classificatore del grading. La performance del modello verrà valutata tramite la AUC e metodiche di cross-validazione.
- Aim 2. Popolazione. Pazienti sottoposti a prostatectomia radicale con riscontro di upstaging rispetto alla stadiazione clinica iniziale. Analisi. L’identificazione delle ROI associate con l’outcome seguirà il medesimo procedimento descritto. Le features identificate, in aggiunta a caratteristiche cliniche, laboratoristiche e genetiche verranno testate in un random forest model per sviluppare un classificatore del rischio di upstaging post chirurgia. Aim 3. Popolazione. Pazienti sottoposti a prostatectomia radicale con mpRM per coinvolgimento linfonodale e riscontro incidentale di metastasi (se sottoposti a chirurgia) o alla PET-PSMA (se sottoposti a RT+OT come trattamento primaria).
Analisi.
L’identificazione di features radiomiche associate a coinvolgimento linfonodale seguirà la medesima metodologia soprariportata.
Rilevanza:
L’utilizzo di metodiche di intelligenza artificiale può portare ad un miglioramento della presa in carico dei pazienti affetti da neoplasia prostatica. La possibilità di identificare in maniera non invasiva aree con grado più elevato potrà permettere il potenziale risparmio di biopsie invasive. Identificare upfront pazienti ad rischio di upstaging postintervento chirurgico permetterebbe di indirizzarli direttamente ad un trattamento primario di RT +/- OT, risparmiando le potenziali complicanze del trattamento chirurgico ed una duplice terapia.
