Integrazione di radiomica, deep learning, trascrittomica e metabolomica rivela stratificazione prognostica del rischio e meccanismi biologici sottostanti nel carcinoma colorettale

Perché questa ricerca è importante per pazienti e famiglie

Il carcinoma colorettale è uno dei tumori più comuni e letali a livello mondiale, e tuttavia i medici faticano ancora a prevedere quali pazienti staranno bene dopo l’intervento e quali corrono un rischio maggiore di morire per la malattia. Questo studio mostra che le normali immagini mediche, se combinate con analisi informatiche avanzate e test molecolari, possono suddividere i pazienti in gruppi di rischio ben definiti e rivelare la biologia nascosta all’interno dei loro tumori. In futuro, questo tipo di approccio potrebbe aiutare a personalizzare trattamento e follow-up, in modo che i pazienti ad alto rischio ricevano un monitoraggio più stretto e terapie più aggressive, mentre i pazienti a basso rischio evitino effetti collaterali non necessari.

Osservare i tumori senza il bisturi

I ricercatori si sono concentrati sulle scansioni TC con mezzo di contrasto, un esame di imaging di routine già utilizzato per valutare il carcinoma colorettale. Invece di basarsi su ciò che l’occhio umano può vedere, hanno impiegato radiomica e deep learning per estrarre quasi 2.000 minuscoli dettagli quantitativi dalle immagini, cogliendo pattern sottili di forma e texture che riflettono l’eterogeneità tumorale. Hanno poi testato in modo sistematico 117 combinazioni di dieci algoritmi di machine learning per trovare il metodo più affidabile per collegare queste caratteristiche d’immagine alla durata della sopravvivenza dei pazienti. Il modello vincente, che ha fuso due tecniche chiamate Lasso e gradient boosting, ha prodotto un punteggio di rischio unico per ciascuna persona basato esclusivamente sulla TC preoperatoria.

Separare pazienti a basso e alto rischio

Utilizzando le TC di 1.183 pazienti trattati in quattro ospedali, il gruppo ha addestrato e testato rigorosamente il proprio modello di radiomica basato sul deep learning. Hanno identificato una soglia nel punteggio basato sulle immagini che ha diviso i pazienti in gruppi a basso e alto rischio. Nel set di addestramento, in un set di validazione interno e in due ospedali indipendenti, i pazienti ad alto rischio hanno costantemente avuto una sopravvivenza più breve rispetto a quelli del gruppo a basso rischio. La capacità del modello di distinguere gli esiti è rimasta valida in molti sottogruppi, inclusi pazienti più giovani e più anziani, maschi e femmine, diversi stadi tumorali e indipendentemente dal fatto che i pazienti avessero ricevuto chemioterapia. Quando i ricercatori hanno combinato il punteggio derivato dalle immagini con due indicatori clinici standard—i livelli ematici di CEA e lo stadio dei linfonodi—in un semplice strumento grafico chiamato nomogramma, le previsioni di sopravvivenza a tre e cinque anni sono diventate ancora più accurate e utili clinicamente.

Cosa rende un tumore più pericoloso di un altro?

Per andare oltre la previsione e capire perché alcuni tumori si comportano in modo più aggressivo, il team ha collegato i gruppi di rischio basati sull’imaging ai cambiamenti molecolari nel cancro. In un sottoinsieme di pazienti, hanno analizzato piccole molecole nel tessuto tumorale utilizzando la spettroscopia di risonanza magnetica nucleare e hanno confrontato i tumori con il tessuto normale vicino. Hanno scoperto che i tumori ad alto e a basso rischio presentavano impronte metaboliche distinte, coinvolgendo vie che gestiscono amminoacidi e acidi grassi a catena corta. Parallelamente, hanno esaminato l’attività genica nei tumori provenienti da un database pubblico di imaging. I tumori ad alto rischio mostravano forti segnali da vie correlate alla matrice extracellulare—lo scheletro di supporto intorno alle cellule—nota per favorire la diffusione delle cellule tumorali e la resistenza alle terapie. I tumori a basso rischio, al contrario, erano arricchiti per vie legate al sistema immunitario e presentavano livelli più elevati di cellule CD8 T citotossiche, suggerendo un microambiente antitumorale più attivo.

Vie metaboliche protettive associate a una migliore sopravvivenza

In modo sorprendente, sia i dati sui metaboliti sia quelli sull’attività genica hanno indicato le stesse due rotte metaboliche—il metabolismo del butanoato e il metabolismo dell’azoto—come più attive nei tumori a basso rischio. Queste vie sono collegate a prodotti dei batteri intestinali e al modo in cui le cellule processano l’azoto, che influenza l’equilibrio energetico e la funzione immunitaria. Quando i ricercatori hanno verificato un ampio dataset indipendente di 417 pazienti con carcinoma colorettale tratto dal The Cancer Genome Atlas, hanno riscontrato che una minore attività in queste due vie era chiaramente associata a una peggiore sopravvivenza complessiva. Ciò suggerisce che il mantenimento di questi processi metabolici potrebbe contribuire a frenare la crescita tumorale o a sostenere una risposta immunitaria più efficace, e che un giorno potrebbero essere esplorati come biomarcatori o bersagli terapeutici.

Cosa significa questo per la cura del cancro in futuro

In termini semplici, questo studio dimostra che combinare l’analisi intelligente delle immagini con il profilo molecolare può sia affinare gli strumenti prognostici sia rivelare cosa accade all’interno dei tumori colorettali. Un punteggio di rischio derivato da TC standard, soprattutto se affiancato a misure cliniche di routine, potrebbe aiutare i medici a individuare quali pazienti necessitano di trattamenti o di follow-up più intensi dopo l’intervento. Allo stesso tempo, la scoperta che certi pattern immunitari e vie metaboliche sono collegati a risultati migliori suggerisce nuove modalità per sostenere le difese dell’organismo e progettare terapie mirate. Pur richiedendo studi prospettici più ampi per confermare questi risultati, questo approccio integrativo rappresenta un passo verso una cura più personalizzata e fondata sulla biologia per le persone con carcinoma colorettale.

Citazione: Li, Z., Cai, R., Qin, Y. et al. Integration of radiomics, deep learning, transcriptomics, and metabolomics reveals prognostic risk stratification and underlying biological mechanisms in colorectal cancer. npj Precis. Onc. 10, 155 (2026). https://doi.org/10.1038/s41698-026-01331-2

Parole chiave: carcinoma colorettale, radiomica, deep learning, metabolismo tumorale, microambiente immunitario