Classificazione mediante intelligenza artificiale delle neoplasie rettali tramite analisi endoscopica della perfusione con fluorescenza

Perché è importante per pazienti e medici

Per le persone con grandi polipi rettali, una delle domande più importanti è se la crescita sia innocua o stia già evolvendo in cancro. Oggi i medici spesso non possono esserne sicuri fino a quando la lesione non viene rimossa completamente, il che può tradursi in interventi più ampi del necessario o in ritardi nel trattamento. Questo studio indaga se una tecnica di imaging avanzata, combinata con intelligenza artificiale, possa individuare il cancro nascosto durante la procedura stessa osservando come il sangue scorre attraverso il tessuto.

Ascoltare come un tumore viene vascolarizzato

I tumori non crescono come il tessuto normale. Stimolano la formazione di nuovi vasi sanguigni anomali che perdono e si ramificano in modo disorganizzato. Questi cambiamenti producono schemi distintivi nel modo in cui il sangue, e i coloranti iniettati, entrano ed escono da un tumore. I ricercatori hanno usato un colorante chiamato indocianina verde, che emette fluorescenza sotto luce nel vicino infrarosso, e hanno registrato brevi video durante interventi endoscopici in pazienti con grandi polipi rettali e carcinomi rettali precoci. Seguendo la luminosità della fluorescenza per alcuni minuti, sono riusciti a catturare una sorta di “impronta di perfusione” sia per le aree sospette sia per quelle sane all’interno dello stesso paziente.

Trasformare i pattern di fluorescenza in dati

Ogni video è stato analizzato con un software personalizzato che ha suddiviso la regione visibile della parete intestinale in una griglia di minuscoli quadrati e li ha tracciati nel tempo, anche quando la telecamera e il tessuto si muovevano. Per ogni quadrato il programma ha misurato quanto diventava intensa la fluorescenza, quanto rapidamente raggiungeva il picco e quanto velocemente si attenuava. Ha poi pulito e normalizzato queste curve in modo che potessero essere confrontate direttamente. Dalle tracce temporali il gruppo ha estratto caratteristiche numeriche semplici, come il segnale massimo e la diminuzione del segnale a tempi specifici dopo il picco. Hanno inoltre valutato quanto questi valori fossero disomogenei nella regione anomala, usando una statistica che cattura la variabilità all’interno del tumore rispetto al tessuto sano vicino.

Addestrare l’intelligenza artificiale

Il team ha studiato 190 video provenienti da 182 pazienti trattati in sei ospedali di quattro paesi; circa tre pazienti su cinque hanno avuto alla fine la conferma istologica di cancro. Hanno addestrato un modello di apprendimento automatico (un classificatore XGBoost) a riconoscere la differenza tra lesioni benigne e cancerose basandosi solo sulle caratteristiche del flusso del colorante, senza esaminare le immagini a colori normali. Applicato a nuovi casi, il modello ha identificato correttamente il cancro nella maggioranza sostanziale dei pazienti, comportandosi alla pari o leggermente meglio di molti strumenti standard usati nella pratica, come le biopsie endoscopiche, la risonanza magnetica preoperatoria e l’impressione visiva del chirurgo esperto.

Aggiungere indizi clinici del mondo reale

Nella pratica clinica i medici raramente si affidano a un unico test. I ricercatori hanno quindi combinato l’output dell’IA con informazioni già disponibili: i referti di risonanza magnetica e il giudizio del chirurgo operatore. Quando questi elementi sono stati inseriti nello stesso flusso informatico, la capacità di rilevare il cancro è migliorata, specialmente nell’escludere correttamente la malattia nelle lesioni benigne. Nello scenario migliore, il sistema combinato ha rilevato circa l’86% dei tumori evitando falsi allarmi in circa il 71% dei casi non cancerosi. L’approccio ha funzionato ragionevolmente bene anche in sottogruppi di pazienti più tipici di malattia precoce e localmente asportabile.

Cosa potrebbe significare per la cura futura

Lo studio mostra che i tumori presenti in grandi polipi rettali lasciano una firma rilevabile nel modo in cui sangue e colorante scorrono attraverso di essi, e che questa firma può essere rilevata automaticamente dall’IA. Sebbene il lavoro finora sia stato condotto su video registrati e debba ancora essere dimostrato in studi clinici in tempo reale, indica una direzione futura in cui il colonoscopista potrebbe essere avvisato, durante la procedura, che un polipo apparentemente innocuo nasconde probabilmente un cancro invasivo. Queste informazioni potrebbero guidare dove effettuare la biopsia, se rimuovere localmente la lesione o se inviare il paziente per un intervento chirurgico più esteso, riducendo sia i tumori non diagnosticati sia gli interventi maggiori non necessari.

Citazione: Boland, P.A., MacAonghusa, P., Singaravelu, A. et al. Artificial intelligence classification of rectal neoplasia by endoscopic fluorescence perfusion analysis. Sci Rep 16, 4761 (2026). https://doi.org/10.1038/s41598-026-35233-x

Parole chiave: cancro rettale, imaging endoscopico, perfusione con fluorescenza, intelligenza artificiale, apprendimento automatico