Classificazione del cancro con la radiomica in modelli preclinici controllati

Leggere il cancro da scansioni e sangue

La moderna assistenza oncologica si affida sempre più ai computer per setacciare immagini mediche e analisi di laboratorio alla ricerca di modelli che gli esseri umani fanno fatica a cogliere. Questo studio pone una domanda semplice ma importante: se vogliamo stabilire che tipo di cancro ha un paziente, è meglio leggere informazioni nascoste dalle sue scansioni o dal suo sangue? Utilizzando esperimenti accuratamente controllati su topi, i ricercatori hanno confrontato direttamente questi due approcci per capire quale fornisce risposte più affidabili.

Cosa significa fare una “biopsia virtuale”

La radiomica è una tecnica in rapida crescita che considera ogni scansione medica non solo come un’immagine ma come una ricca fonte di dati. Software specializzati analizzano immagini TC tridimensionali di un tumore e le trasformano in centinaia di caratteristiche numeriche che descrivono la forma, la luminosità e la texture fine. In linea di principio, questi pattern potrebbero rispecchiare la biologia del tumore in modo simile a una biopsia, ma senza aghi o interventi chirurgici — la cosiddetta “biopsia virtuale”. I sostenitori sperano che la radiomica aiuti a classificare i tumori, valutare la loro aggressività e guidare le scelte terapeutiche. Ma ci sono preoccupazioni: i risultati possono essere difficili da riprodurre, facili da confondere per artefatti tecnici e complessi da interpretare per i clinici.

Un confronto equo nei topi

Per mettere la radiomica alla prova in modo rigoroso, il team si è rivolto a un modello murino dove quasi tutto poteva essere controllato. Gruppi di topi geneticamente identici sono stati impiantati con uno dei due tipi di tumore: CT26, modello di cancro colorettale, e 4T1, modello di cancro mammario. Tutti gli animali erano della stessa linea, sesso e età simile, mantenuti nell’ambiente identico e scansionati sulla stessa macchina TC. I tumori sono stati accuratamente delineati con software 3D e un popolare pacchetto di radiomica ha estratto 1.409 caratteristiche numeriche da ogni scansione. Parallelamente, i ricercatori hanno prelevato sangue dagli stessi animali e misurato tipi di cellule immunitarie e dozzine di proteine — biomarcatori che lavori precedenti avevano già mostrato in grado di distinguere quasi perfettamente questi modelli tumorali.

Comprimere migliaia di dettagli di immagine in un segnale utile

La maggior parte delle caratteristiche d’immagine grezze si è rivelata poco utile: alcune variavano a malapena da un topo all’altro e molte erano quasi duplicati l’una dell’altra. Dopo diversi passaggi di filtraggio statistico, sono rimaste solo 18 caratteristiche radiomiche non ridondanti, che descrivevano in gran parte pattern di texture sottili piuttosto che semplice dimensione o forma. Il team ha quindi usato un metodo standard di machine learning, Random Forest, per valutare quanto bene queste caratteristiche d’immagine raffinate potessero distinguere i due tipi di tumore. Sono stati inoltre applicati strumenti di visualizzazione per verificare se i dati formassero naturalmente cluster separati per ciascun tipo di cancro senza conoscere in anticipo le etichette.

I segnali del sangue superano quelli delle immagini

Il contrasto tra sangue e imaging è stato notevole. Quando i ricercatori hanno ridotto i dati su cellule del sangue e proteine plasmatiche a due dimensioni, i due tipi di tumore hanno formato cluster nettamente separati, confermando che il sangue catturava segnali tumorali forti e specifici. Nei dati radiomici, invece, sono apparsi tre cluster misti, ciascuno contenente un mescolamento dei due tumori e suggerendo che fattori sconosciuti stavano plasmando le immagini. Nei test supervisionati, la sola radiomica ha classificato il tipo di tumore con un’accuratezza di circa l’87% — buona, ma sensibilmente inferiore al 96% ottenuto con il conteggio delle cellule immunitarie e al 99% delle proteine plasmatiche. L’aggiunta della radiomica ai marcatori ematici non ha migliorato le prestazioni; in alcune combinazioni ha leggermente ridotto l’accuratezza. Un esperimento ulteriore ha mostrato che usare solo una piccola regione sferica all’interno del tumore, invece di delineare l’intera massa, peggiorava ulteriormente le prestazioni della radiomica, sottolineando quanto queste caratteristiche siano sensibili al modo in cui il tumore viene disegnato sulla scansione.

Cosa significa per i test futuri sul cancro

Per il lettore non specialista, la conclusione è chiara: sebbene l’analisi avanzata delle immagini possa fornire alcuni indizi utili, in questo studio è stata superata da test del sangue relativamente semplici nel distinguere due tipi di tumore. Anche in un ambiente di laboratorio strettamente controllato con topi identici e imaging standardizzato, piccole differenze tecniche e la complessità dell’elaborazione delle immagini sembravano offuscare il segnale radiomico. Gli autori concludono che la radiomica non è ancora pronta a fungere da classificatore del cancro autonomo e altamente affidabile. Sostengono invece che saranno necessarie una maggiore standardizzazione dell’imaging, strumenti di contorno migliori e legami più chiari tra i pattern d’immagine e la biologia sottostante prima che le biopsie virtuali possano guidare con affidabilità le decisioni cliniche accanto — o al posto — dei biomarcatori ematici consolidati.

Citazione: Drover, K., Davis, D.A.S., Gosling, K. et al. Cancer classification with radiomics in controlled preclinical models. Sci Rep 16, 6647 (2026). https://doi.org/10.1038/s41598-026-37757-8

Parole chiave: radiomica, biomarcatori del cancro, imaging medico, machine learning in oncologia, test del sangue per il cancro