ENDOSCOPIC ULTRASOUND BEYOND MORPHOLOGY: FEASIBILITY OF TRANSCRIPTOMIC ANALYSIS AND THE ROLE OF DEEP LEARNING MODELS AND MICROVASCULARIZATION STUDY IN THE DIAGNOSIS AND PROGNOSIS OF PANCREATIC NEUROENDOCRINE NEOPLASMS

Questa tesi esplora l'applicazione di tecniche diagnostiche avanzate nella valutazione dei tumori neuroendocrini del pancreas (PanNENs), superando gli approcci tradizionali dell'Ecoendoscopia (EUS). I PanNENs variano prognosticamente da un pattern indolente a gradi di malignità più aggressivi e metastatici, con una progressione determinata principalemente dal grading e dallo staging del tumore. Il sistema di classificazione si basa sull'indice mitotico e sull'indice Ki-67. L'EUS è fondamentale per la diagnosi e l’inquadramento dei PanNENs, offrendo opzioni di biopsia per valutazioni citologiche (EUS-FNA) o istologiche (EUS-FNB). La sua specificità è aumentata da tecniche ancillari come l'elastografia e l’utilizzo del mezzo di contrasto (CE-EUS). Nonostante l’EUS-FNA rappresenti il gold standard, persiste un considerevole tasso di misclassificazione del grading nei pazienti con PanNENs, rendendo quindi necessarie innovazioni nell'applicazione EUS. Pertanto, questa tesi mira a tre obiettivi: (1) valutare la possibilità di estrazione di RNA di buona qualità e quantità dai campioni di EUS-FNA dei PanNENs; (2) fornire una valutazione quantitativa dell'assorbimento del contrasto e predire la densità microvascolare (MVD) tramite EUS-CE; e (3) impiegare modelli di deep learning per la diagnosi differenziale EUS delle lesioni pancreatiche. L'estrazione dell'RNA da EUS-FNA è esplorata confrontando tre metodi di conservazione ed estrazione dell'RNA. La concentrazione mediana globale di RNA era di 11.000 pg/µL, con i rendimenti più alti ottenuti utilizzando il metodo Snap Frozen + Trizol. Anche i valori del Numero di Integrità dell'RNA (RIN) variavano significativamente tra i metodi, con il metodo Snap frozen + 1-Thioglycerol risultato il più accurato. Il sottoprogetto sulla microvascolarizzazione ha incluso pazienti sottoposti a EUS-CE presso l'Ospedale San Raffaele per PanNENs o PDACs. Abbiamo utilizzato il software VueBox® per analizzare i video DICOM post-procedura, ottenendo parametri relativi all'assorbimento del mezzo di contrasto. Una coorte di 73 pazienti con lesioni pancreatiche focali è stata considerata e abbiamo riscontrato differenze notevoli tra PDAC e PanNENs nella maggior parte delle variabili associate all'assorbimento del contrasto. Inoltre, abbiamo effettuato uno studio retrospettivo su pazienti con NF-PanNEN sottoposti a resezione chirurgica e abbiamo correlato i pattern di EUS-CE con la MVD, mostrando che la bassa MVD era associata a un pattern di ipoenhancement arterioso all'EUS-CE e a un indice Ki67 più elevato. Per la diagnosi differenziale delle neoplasie pancreatiche, algoritmi di deep learning hanno analizzato immagini segmentate da ecoendoscopisti esperti. Sono stati sviluppati due modelli, con il Modello 1 che ha mostrato una precisione media dell'87,5% per la classificazione, mentre il Modello 2 ha dimostrato una precisione dell'88,9% con specificità migliorata. In conclusione, questa tesi permette un avanzamento nella comprensione dei PanNENs integrando l'analisi trascrittomica, la valutazione della microvascolarizzazione e l'IA nei processi diagnostici e prognostici. I risultati evidenziano il potenziale della medicina di precisione in gastroenterologia e la necessità di future ricerche per sviluppare modelli di IA che sintetizzino dati complessivi dei pazienti, garantendo un approccio olistico alla cura del paziente e migliorando le prospettive diagnostiche e terapeutiche per i PanNENs.

This dissertation delves into the application of advanced diagnostic techniques in the evaluation of pancreatic neuroendocrine neoplasms (PanNENs), overcoming traditional Endoscopic Ultrasound (EUS) approaches. PanNENs range prognostically from an indolent pattern to aggressive and metastasizing grade of malignancies, with progression determined by tumor grading and staging. The grading system is based on the mitotic index and the Ki-67 index. EUS stands out in the diagnosis and management of PanNENs, offering biopsy options for cytologic (EUS-FNA) or histologic (EUS-FNB) evaluations. Its specificity is enhanced through ancillary techniques like elastography and contrast-enhanced EUS (CE-EUS). Despite EUS-FNA represent the gold standard for grading, there is still a considerable grading misclassification in PanNENs and so it is necessary to find innovations in EUS application. So, this thesis targets three objectives in this sense: (1) to assess the possibility to obtain RNA in good quantity and quality from PanNENs EUS-FNA samples; (2) to provide a quantitative assessment of contrast uptake and predict microvessel density (MVD) via EUS-CE; and (3) to employ deep learning models for EUS differential diagnosis of pancreatic solid neoplasms. RNA extraction from EUS-FNA is explored by comparing three RNA preservation and extraction methods. The global median RNA concentration was 11,000 pg/µL, with the highest yields obtained using the Snap Frozen + Trizol method. RNA Integrity Number (RIN) values also varied significantly across methods, with Snap frozen + 1-Thioglycerol method being the most accurate. The microvascularization sub-project included patients undergoing EUS-CE at San Raffaele Hospital for PanNENs or PDACs. We used VueBox® software to analyze post-procedure DICOM videos, yielding parameters related to contrast medium uptake. A cohort of 73 patients with focal pancreatic was considered and we found notable differences between PDAC and PanNENs in the most of variables associated with contrast uptake. Furthermore, we considered a retrospective cohort study of NF-PanNEN patients undergone surgical resection and we correlated EUS-CE enhancement patterns with MVD, showing that the low MVD was associated with an arterial hypoenhancement pattern at EUS-CE and a higher Ki67 index. For the differential diagnosis of pancreatic neoplasms, deep learning algorithms analyzed images segmentated by expert endosonographers. Two models were developed, with Model 1 showing an average precision of 87.5% for classification, while Model 2 demonstrated 88.9% precision with improved specificity. In conclusion, this thesis advances the understanding of PanNENs by integrating transcriptomic analysis, microvascularization assessment, and AI into diagnostic and prognostic processes. The findings highlight the potential for precision medicine in gastroenterology and the need for future research to develop AI models that synthesize comprehensive patient data, ensuring a holistic approach to patient care and enhancing the diagnostic and therapeutic outlook for PanNENs.