Analisi radiomica delle immagini ecografiche in gravidanza precoce per prevedere la vitalità alla fine del primo trimestre

Perché contano risposte precoci in gravidanza

Per molte donne, le prime settimane di gravidanza sono piene sia di speranza sia di ansia. Quando un’ecografia precoce non riesce ancora a mostrare con chiarezza se una gravidanza proseguirà o terminerà in aborto spontaneo, i medici parlano di una “gravidanza di vitalità sconosciuta”. Questo periodo di attesa — spesso una o due settimane prima di un nuovo esame — può essere emotivamente estenuante. Lo studio qui riassunto esplora se pattern sottili nascosti nelle immagini ecografiche di routine, combinati con semplici informazioni cliniche, possano aiutare a prevedere prima e con maggiore accuratezza l’esito finale.

Guardare oltre ciò che l’occhio vede

La valutazione ecografica tradizionale si basa su ciò che i clinici possono misurare e osservare direttamente: le dimensioni e la forma della sacca gestazionale, la presenza di sacco vitellino o di un piccolo embrione e se è visibile un battito cardiaco. Ricerche precedenti hanno impiegato tali caratteristiche per costruire sistemi di punteggio, ma la loro accuratezza è limitata e spesso dipende dalla completezza dei dati. In questo nuovo lavoro, i ricercatori si sono chiesti se i computer potessero individuare dettagli molto più fini nelle immagini ecografiche — dettagli troppo sottili per l’occhio umano — usando un approccio chiamato radiomica. La radiomica trasforma le immagini in migliaia di caratteristiche numeriche che descrivono la texture, i pattern di luminosità e la struttura su piccola scala, potenzialmente catturando segnali precoci di un impianto sano o destinato a fallire.

Costruire una pipeline automatizzata per le immagini

Il team ha raccolto ecografie da 500 donne che si sono rivolte a unità di gravidanza precoce in due ospedali di Londra tra il 2021 e il 2023. A tutte era stato comunicato che si trattava di una gravidanza di vitalità sconosciuta e l’esito finale — gravidanza in corso o aborto spontaneo entro la fine del primo trimestre — è stato registrato in seguito. Per preparare le immagini all’analisi, i ricercatori hanno prima addestrato un modello di deep learning a trovare due regioni chiave in ogni scansione: la sacca gestazionale stessa e un sottile anello del tessuto uterino circostante. Utilizzando un’architettura di rete neurale progettata per l’imaging medico, il sistema ha imparato a tracciare queste regioni con alta accuratezza, corrispondendo strettamente ai contorni manuali degli esperti. Questo passaggio di “segmentazione” automatizzata è cruciale perché permette di processare future scansioni senza richiedere ulteriore tempo ai clinici specialisti.

Trasformare i pattern in previsioni

Una volta identificate le regioni, il software radiomico ha estratto più di quattromila caratteristiche quantitative dalle immagini ecografiche. Allo stesso tempo, il team ha raccolto informazioni cliniche semplici già registrate nella pratica routinaria — come l’età della donna, le settimane di gravidanza calcolate dall’ultima mestruazione e l’entità di sanguinamento e dolore riferiti. Poiché non tutte queste variabili sono ugualmente utili, i ricercatori hanno testato un’ampia gamma di metodi di selezione delle caratteristiche e algoritmi di machine learning per trovare la combinazione migliore. Il loro modello finale, chiamato Pregnancy of Unknown Viability Prediction Score (PUVPS), si è basato su una tecnica nota come XGBoost e su caratteristiche radiomiche e cliniche accuratamente selezionate. Nei test, il modello ha distinto con buone prestazioni le gravidanze in corso dagli aborti spontanei, anche su dati provenienti da un ospedale esterno non usato per l’addestramento del sistema.

Su cosa si basa davvero il modello

Alcuni dei predittori più influenti si sono rivelati fattori clinici noti: l’epoca gestazionale stimata dall’ultima mestruazione, la gravità del sanguinamento vaginale e l’età materna. Ma anche diverse misure radiomiche di texture della sacca e del tessuto circostante hanno ottenuto un peso elevato. Queste misure descrivono quanto sono uniformi o macchiate le intensità dei pixel e come sono distribuite le aree più luminose, aspetti che possono riflettere quanto bene si stanno formando la placenta precoce e i tessuti di supporto. Interessante è che le caratteristiche radiomiche sembrano inoltre variare con l’età gestazionale, suggerendo che potrebbero tracciare cambiamenti biologici reali nello sviluppo precoce della gravidanza anziché rumore casuale.

Cosa potrebbe significare per le pazienti

Lo studio ha dei limiti, in particolare la dimensione campionaria modesta, che può rendere qualsiasi modello di machine learning eccessivamente ottimista fino a quando non viene testato in gruppi molto più ampi e diversificati. Ciononostante, i risultati suggeriscono che potrebbe essere possibile fornire a donne con una gravidanza di vitalità sconosciuta una stima personalizzata del rischio basata unicamente sull’ecografia che stanno già effettuando, senza esami del sangue o procedure aggiuntive. In futuro, se validato in grandi trial multicentrici, uno strumento come PUVPS potrebbe operare silenziosamente in background nella clinica ecografica, analizzando le immagini in tempo reale e offrendo una probabilità di gravidanza in corso. Piuttosto che sostituire i controlli ecografici standard, potrebbe aiutare le donne e i clinici a prepararsi emotivamente e praticamente durante un periodo di attesa molto incerto.

Citazione: Murugesu, S., Linton-Reid, K., Barcroft, J. et al. Radiomics analysis of early pregnancy ultrasound images to predict viability at the end of first trimester. Sci Rep 16, 5504 (2026). https://doi.org/10.1038/s41598-026-35158-5

Parole chiave: gravidanza precoce, rischio di aborto spontaneo, ecografia, radiomica, machine learning in medicina