Una firma radiopatomica basata sul deep learning predice il rischio di recidiva del carcinoma epatocellulare dopo epatectomia

Perché è importante per le persone con tumore al fegato

Il cancro al fegato è tra i tumori più letali a livello mondiale e, anche quando i chirurghi rimuovono il tumore visibile, molti pazienti vedono la malattia ritornare nel giro di pochi anni. Questo studio presenta uno strumento di intelligenza artificiale che combina immagini mediche e fotografie al microscopio dei tumori per prevedere con maggiore accuratezza chi è più probabile che abbia una recidiva del carcinoma epatocellulare, la forma più comune di tumore al fegato. Previsioni di questo tipo potrebbero aiutare i medici a personalizzare il follow-up e i trattamenti aggiuntivi, con l’obiettivo di prevenire le recidive e prolungare la vita dei pazienti.

Vedere il tumore nella sua totalità, dentro e fuori

I medici si affidano di solito a TAC, esami del sangue e referti patologici di base per stimare il rischio di recidiva dopo chirurgia epatica. Ognuno di questi strumenti osserva il tumore da un angolo diverso, ma nessuno coglie appieno la sua complessità. Le immagini TAC mostrano la forma generale del tumore, l’apporto di sangue e il rapporto con il fegato, mentre le vetrini istologici rivelano quanto appaiono aggressive le cellule tumorali e come interagiscono con i tessuti circostanti. I ricercatori hanno ipotizzato che un sistema informatico che «osserva» entrambi i livelli insieme — scansioni a livello d’organo e immagini a livello cellulare — potrebbe riconoscere modelli sfuggenti all’occhio umano e quindi prevedere con maggiore accuratezza se il cancro tornerà.

Un’impronta digitale digitale combinata del tumore

Il team ha sviluppato quella che chiamano firma radiopatomica basata su deep learning (DLRP), essenzialmente un’impronta digitale di ciascun tumore costruita su due fonti di dati. Innanzitutto, una rete neurale ha segmentato automaticamente i tumori sulle TAC preoperatorie e ha appreso caratteristiche sottili delle immagini associate alla recidiva. In secondo luogo, un’altra rete ha analizzato immagini di vetrini interi di tessuto colorato con ematossilina-eosina, suddividendole in migliaia di piccole patch e imparando quali pattern microscopici fossero più rilevanti. Un modulo di fusione ha quindi intrecciato le caratteristiche derivate dalla TAC e quelle patologiche in un unico punteggio di rischio che riflette il comportamento del tumore piuttosto che una singola caratteristica visibile.

Testare il punteggio su pazienti reali

I ricercatori hanno applicato questo sistema a 599 persone sottoposte a intervento per carcinoma epatocellulare in quattro ospedali, suddividendole in gruppi di addestramento e test indipendenti. In tutti i set di test, la firma DLRP ha predetto la sopravvivenza libera da recidiva meglio dei modelli che usavano solo la TAC, solo la patologia, variabili cliniche standard come dimensione tumorale e marcatori ematici, o lo stadio largamente usato del Barcelona Clinic Liver Cancer. I pazienti con punteggi DLRP elevati avevano una probabilità nettamente maggiore di recidiva e anche una sopravvivenza complessiva più breve. È importante sottolineare che questo risultato è valso in molti sottogruppi, inclusi pazienti con tumori piccoli versus grandi, tumori singoli versus multipli e con o senza cirrosi, suggerendo che il punteggio cattura aspetti fondamentali dell’aggressività tumorale.

Orientare terapie aggiuntive e rivelare la biologia

Oltre alla predizione, il punteggio ha aiutato a identificare quali pazienti potrebbero beneficiare di una procedura aggiuntiva chiamata chemoembolizzazione transarteriosa adiuvante postoperatoria (PA-TACE), in cui chemioterapico miscelato con un agente di contrasto oleoso viene iniettato nell’apporto sanguigno del fegato. Nel complesso, i pazienti che hanno ricevuto PA-TACE tendevano a rimanere liberi da recidiva più a lungo. Tuttavia, suddividendo il gruppo in base alla firma DLRP, il beneficio era concentrato quasi esclusivamente nei pazienti ad alto rischio; i pazienti a basso rischio non mostravano un vantaggio chiaro, il che implica che potrebbero evitare in sicurezza l’onere di terapie aggiuntive. Il team ha anche esplorato perché i tumori ad alto rischio si comportano peggio collegando i punteggi DLRP a dati genetici provenienti dal The Cancer Genome Atlas. Punteggi elevati erano associati all’attivazione della via Wnt/β-catenina, nota per promuovere la crescita tumorale e la resistenza all’immunoterapia, e a una minore infiltrazione di cellule immunitarie antitumorali, in particolare cellule T CD8, all’interno del tumore.

Cosa significa per la cura futura del cancro al fegato

Per un pubblico non specialistico, la conclusione è che i computer possono ora fondere immagini simili a raggi X e viste al microscopio per produrre un unico numero che indica la probabilità che un cancro al fegato ritorni dopo l’intervento. Questo studio mostra che un numero di questo tipo può superare i sistemi di stadiazione tradizionali e può aiutare a decidere chi ha realmente bisogno di terapie aggiuntive e di un follow-up più intensivo. Pur richiedendo ancora test prospettici in popolazioni di pazienti più ampie, inclusi quelli la cui malattia epatica non è dovuta a epatite B, il lavoro indica una direzione in cui i piani terapeutici sono guidati da ritratti ricchi e multilivello del tumore di ciascuna persona, anziché basarsi solo su dimensione e stadio.

Citazione: Wang, G., Chen, W., Liang, Z. et al. A deep learning radiopathomic signature predicts recurrence risk of hepatocellular carcinoma after hepatectomy. Commun Biol 9, 295 (2026). https://doi.org/10.1038/s42003-026-09571-5

Parole chiave: carcinoma epatocellulare, recidiva del cancro al fegato, deep learning, imaging medico, microambiente tumorale