Reti neurali convoluzionali che utilizzano la TC preoperatoria per prevedere la recidiva a breve termine dopo la riparazione dell’ernia incisionale

Perché è importante prevedere le complicazioni chirurgiche

Quando i pazienti si sottopongono a un intervento per riparare un’ernia della parete addominale insorta su una precedente incisione, tutti sperano che la riparazione sia definitiva. Tuttavia, in una percentuale significativa dei casi l’ernia si ripresenta, spesso comportando più dolore, ulteriori interventi e costi maggiori. I chirurghi solitamente stimano questo rischio sulla base dell’esperienza e di alcuni fattori clinici, ma tali valutazioni non sono perfette. Questo studio esplora se una forma di intelligenza artificiale, addestrata su normali scansioni TC preoperatorie, possa aiutare a prevedere quali pazienti hanno maggior probabilità di sviluppare una recidiva dopo la riparazione dell’ernia incisionale.

Trasformare le scansioni di routine in previsioni

I ricercatori hanno analizzato retrospettivamente 528 pazienti operati per la riparazione di un’ernia incisionale in un grande ospedale tra il 2016 e il 2019. Tutti avevano eseguito una TC dell’addome prima dell’operazione, che catturava dimensione, posizione e forma dell’ernia e dei tessuti circostanti. Il team ha estratto 44.380 singole sezioni d’immagine che mostravano la regione dell’ernia, ha rimosso tutte le informazioni identificative, ha standardizzato le immagini in un formato uniforme e le ha suddivise in un ampio set di addestramento e in un set di test più piccolo. È importante sottolineare che i modelli computazionali non hanno mai “visto” le immagini di test durante l’addestramento, permettendo così una valutazione imparziale di come il sistema si comporterebbe su nuovi pazienti.

Come il computer impara dalle immagini

Per analizzare le scansioni gli autori hanno utilizzato tre noti modelli di apprendimento profondo per immagini noti come reti neurali convoluzionali. Queste reti, sviluppate originariamente per compiti come il riconoscimento di oggetti nelle fotografie, sono ottime nel rilevare pattern in immagini complesse. Durante l’addestramento, a ogni sezione TC è stata assegnata un’etichetta in base al fatto che l’ernia del paziente si fosse poi ripresentata o meno. Le reti hanno confrontato ripetutamente le loro previsioni con gli esiti reali e hanno adattato le connessioni interne per ridurre l’errore. Per ciascun paziente, le previsioni del modello provenienti da più sezioni sono state combinate in una singola stima del rischio di recidiva.

Quale modello ha funzionato meglio

I tre modelli—ResNet-50, una versione più profonda chiamata ResNet-152, e VGG16—non hanno avuto prestazioni equivalenti. Quando testati su immagini mai viste prima, ResNet-50 ha mostrato la maggiore capacità di distinguere i pazienti che avrebbero avuto una recidiva da quelli che non l’avrebbero avuta. Le sue prestazioni, riassunte da una metrica standard chiamata area sotto la curva, sono state nettamente superiori rispetto alle altre due reti. L’analisi statistica ha confermato che queste differenze è improbabile siano dovute al caso. Per capire meglio su cosa le reti stavano “focalizzandosi”, il team ha anche usato un metodo di visualizzazione che evidenzia le regioni dell’immagine più importanti per una previsione, rivelando che le aree intorno al difetto erniario e alla parete addominale avevano il peso maggiore.

Cosa potrebbe significare per pazienti e chirurghi

Se perfezionati e convalidati in più ospedali, strumenti di previsione basati sulle immagini potrebbero offrire un secondo parere oggettivo all’e valutazione del chirurgo. Una stima più accurata del rischio di recidiva, calcolata prima dell’intervento a partire da una scansione già parte della normale cura, potrebbe aiutare a orientare decisioni sul momento dell’intervento, sull’approccio chirurgico, sul tipo e sulle dimensioni della rete protesica, e sul fatto che il paziente possa trarre beneficio da un trattamento in un centro specializzato per le ernie. I pazienti a rischio elevato, per esempio, potrebbero ricevere consigli su misure aggiuntive per rafforzare la riparazione, mentre i pazienti a basso rischio potrebbero evitare interventi più aggressivi.

I prossimi passi

Gli autori sottolineano che questo lavoro rappresenta una prova di principio precoce e non ancora uno strumento clinico completo. Lo studio si basa su pazienti di un unico ospedale, utilizza un numero relativamente modesto di casi per gli standard dell’apprendimento profondo e si fonda soltanto sulle immagini, trascurando altri fattori importanti come lo stato di salute generale, interventi precedenti e tecnica chirurgica. La ricerca futura dovrà combinare caratteristiche derivate dalla TC con informazioni cliniche e operatorie dettagliate, testare i modelli su gruppi di pazienti più numerosi e diversificati e garantire che le previsioni siano comprensibili e affidabili per i clinici. Ciononostante, i risultati suggeriscono che un’analisi intelligente delle immagini mediche di routine potrebbe un giorno aiutare a personalizzare la chirurgia delle ernie e ridurre la probabilità di un ripristino indesiderato.

Citazione: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Parole chiave: ernia incisionale, recidiva dell’ernia, apprendimento profondo, imaging TC, esiti chirurgici