Integrazione di radiomica, Machine/Deep Learning ed istologia come metodo innovativo per la caratterizzazione tumorale utilizzando la tecnica ibrida PET/RM

Background: The synergy of technological innovations, such as state-of-the-art radiomics and artificial intelligence (AI) techniques, paired with significant hardware advancements, including fully hybrid PET/MRI scanners, opens exciting possibilities for the future of prostate cancer (PCa) management. The overarching aim of this project is to investigate the potential role of cutting-edge radiomics and AI, in conjunction with fully hybrid PET/MRI, to enhance PCa care. Materials and Methods: To achieve this aim, the project was divided into 5 tasks: 1) Data from 47 biopsy-confirmed PCa patients were used to create a [68Ga]Ga-PSMA-11 PET radiomics model for predicting post-surgical ISUP (PSISUP) grade, that was compared to the performance of prostate biopsy (Aim 1). 2) A pipeline was established for co-registering histopathological specimens and in vivo MRI examinations, allowing for the evaluation of radiomics features robustness through a test-retest approach (Aim 2). 3) An external validation of a Convolutional Neural Network (CNN) for the automatic segmentation of intraprostatic tumour lesions on [68Ga]Ga-PSMA-11 PET images (N = 85, Aim 3). 4 and 5) The role of fully hybrid PET/MRI in PCa was explored through prospective clinical trials involving patients with primary and recurrent PCa, undergoing both [68Ga]Ga-PSMA-11 and [68Ga]Ga-RM2 PET/MRI for staging and restaging (42 and 60 patients, Aim 4 and Aim 5, respectively). Results: Aim 1: The combination of radiomics and machine learning demonstrated superior sensitivity (88.6%) compared to histological analysis of prostate biopsy cores (71.9%) for predicting PSISUP grade. Aim 2: We successfully co-registered histopathology and in vivo MR images with a median target registration error of 1.59 mm, thus enabling radiomics features’ robustness assessment through a test-retest approach. Aim 3: A freely available CNN delineated intraprostatic cancer lesions on [68Ga]Ga-PSMA-11 PET images with a median dice score coefficient of 0.74. Aim 4: [68Ga]Ga-PSMA-11 PET and mpMRI detected the primary tumour in all patients, while [68Ga]Ga-RM2 PET missed it in 3 cases. [68Ga]Ga-PSMA-11 PET also had the highest sensitivity for N staging. Aim 5: The combined report of [68Ga]Ga-PSMA-11 PET and MRI examinations led to 100% sensitivity in identifying PCa recurrence. Conclusions: The ongoing technological advancements hold significant promise for enhancing the clinical management of PCa. While PET/MRI has entered clinical practice in recent years, AI and radiomics require standardization and prospective multicentric studies before widespread clinical adoption.

Introduzione: La sinergia delle innovazioni tecnologiche, come la radiomica e le tecniche di intelligenza artificiale (IA), abbinate a significativi progressi hardware, tra cui i moderni scanner completamente ibridi PET/RM, apre entusiasmanti possibilità per il futuro della gestione del cancro alla prostata. L'obiettivo principale di questo progetto è investigare il potenziale ruolo della radiomica e dell'IA, in combinazione con la PET/RM, per migliorare la cura del cancro alla prostata. Materiali e Metodi: Per raggiungere questo obiettivo, il progetto è stato diviso in 5 parti: 1) I dati di 47 pazienti con diagnosi di cancro alla prostata sono stati utilizzati per creare un modello radiomico PET [68Ga]Ga-PSMA-11 per prevedere il grado ISUP post-operatorio, (Obiettivo 1). 2) È stata creata una pipeline per la co-registrazione di campioni istopatologici e esami RM in vivo, consentendo la valutazione della robustezza delle features radiomiche attraverso un approccio di test e retest (Obiettivo 2). 3) È stata condotta una validazione esterna di una Rete Neurale Convoluzionale (CNN) per la segmentazione automatica delle lesioni tumorali intraprostatiche sulle immagini PET [68Ga]Ga-PSMA-11 (N = 85, Obiettivo 3). 4 e 5) Il ruolo della PET/RM nel cancro alla prostata è stato esplorato attraverso studi clinici prospettici che coinvolgono pazienti con cancro alla prostata primario e recidivante, sottoposti sia a [68Ga]Ga-PSMA-11 che a [68Ga]Ga-RM2 PET/RM per la stadiazione e la ristadiazione (42 e 60 pazienti, Obiettivo 4 e Obiettivo 5, rispettivamente). Risultati: Obiettivo 1: La combinazione di radiomica e machine learning ha dimostrato una sensibilità superiore (88,6%) rispetto all'analisi istologica delle biopsie prostatiche (71,9%) per la previsione del grado ISUP. Obiettivo 2: Abbiamo con successo co-registrato istopatologia e immagini MR in vivo con un errore mediano di 1,59 mm, consentendo così la valutazione della robustezza delle features radiomiche attraverso un approccio di test e retest. Obiettivo 3: Una CNN disponibile online ha delineato lesioni cancerogene intraprostatiche sulle immagini PET [68Ga]Ga-PSMA-11 con un Dice mediano di 0,74. Obiettivo 4: [68Ga]Ga-PSMA-11 PET e mpMRI hanno rilevato il tumore primario in tutti i pazienti, mentre [68Ga]Ga-RM2 PET lo ha mancato in 3 casi. [68Ga]Ga-PSMA-11 PET ha anche mostrato maggiore sensibilità per la stadiazione N. Obiettivo 5: L’interpretazione combinata degli esami [68Ga]Ga-PSMA-11 PET e RM ha portato a una sensibilità del 100% nell'identificare la recidiva del cancro alla prostata. Conclusioni: Gli avanzamenti tecnologici in corso promettono di migliorare significativamente la gestione clinica del cancro alla prostata. Sebbene la PET/RM sia entrata nella pratica clinica negli ultimi anni, l'IA e la radiomica richiedono una standardizzazione e studi multicentrici prospettici prima di una diffusa adozione clinica.