Immagini intraoperatorie della biopsia per il rischio di cancro polmonare

Vedere le impronte nascoste del cancro

I chirurghi che operano il cancro polmonare affrontano un rompicapo ad alta posta in gioco: durante l’intervento devono individuare rapidamente piccoli tumori e i loro margini esatti, ma gli strumenti attuali possono tralasciare zone pericolose o richiedere troppo tempo. Questo studio presenta un nuovo modo di “vedere” il cancro non osservando direttamente le cellule tumorali, ma l’impalcatura microscopica che le circonda. Combinando imaging laser avanzato e intelligenza artificiale, gli autori dimostrano che è possibile rilevare rapidamente e con notevole accuratezza il cancro polmonare e i suoi confini.

Il tessuto di supporto che racconta una storia

I nostri polmoni sono tenuti insieme da una rete di fibre proteiche chiamata matrice extracellulare. Due protagonisti, il collagene e l’elastina, conferiscono tessuto polmonare resistenza ed elasticità. Quando si sviluppa il cancro, queste fibre vengono rimodellate: cambiano il loro ordine, la loro densità e il modo in cui interagiscono tra loro. I ricercatori hanno ipotizzato che questi sottili cambiamenti strutturali possano costituire impronte affidabili del cancro, anche quando i tumori sono difficili da vedere con le camere chirurgiche ordinarie.

Un microscopio laser delicato in sala operatoria

Il team ha costruito un microscopio multiphoton personalizzato, un tipo di sistema laser in grado di penetrare centinaia di micrometri nel tessuto fresco senza usare coloranti. Con un’unica impostazione a laser nel vicino infrarosso registra due segnali contemporaneamente: uno che evidenzia il collagene e uno che evidenzia l’elastina. Questo imaging doppio produce viste 3D nitide della rete fibrillare polmonare in un paio di minuti per sito, velocità sufficiente per essere pratica durante l’intervento. Il metodo è stato testato su tessuto prelevato da 222 pazienti con adenocarcinoma polmonare, acquisendo centinaia di piccole pile di immagini 3D sia da regioni tumorali sia da regioni normali.

Addestrare l’IA a leggere il codice delle fibre

Invece di valutare queste immagini a occhio, gli scienziati hanno misurato ciascun piccolo elemento volumetrico, o voxel, su più caratteristiche: quanto sono allineate le fibre, quanto appaiono ondulate, quanto denso è il loro riempimento dello spazio, quanto sono spessi i filamenti di elastina e quanto sono simili nella posizione e nella direzione i collocamenti di collagene ed elastina vicini. Hanno introdotto un nuovo “coefficiente di somiglianza” che aumenta quando collagene ed elastina giacciono vicini e puntano nella stessa direzione. Utilizzando apprendimento non supervisionato, hanno raggruppato milioni di voxel in ricorrenti “vocaboli” fibrillari che catturano i pattern strutturali comuni. Un classificatore di machine learning standard ha quindi imparato come la composizione di questi vocaboli differisca tra tessuto normale e tessuto canceroso.

Da pattern invisibili a mappe di rischio

Quando questo approccio è stato testato su un set indipendente di campioni polmonari, ha identificato il cancro con una sensibilità di circa il 99%, il che significa che raramente mancava un tumore. I ricercatori sono andati oltre e hanno creato un “indice di rischio tumorale” per ogni vocabolario fibrillare, che indica se tende ad apparire in tessuto sano o malato. Colorando ogni voxel in base a questo indice, hanno generato mappe di rischio intuitive: le regioni tumorali brillano in tonalità calde, le aree normali in tonalità fredde e le zone di confine mostrano un misto. Queste mappe hanno delineato con successo il confine tumorale‑normale nei campioni umani e hanno mostrato gli stessi trend di rimodellamento in un modello murino immaginato in vivo, suggerendo che l’approccio potrebbe tradursi in guida in tempo reale in sala operatoria.

Cosa potrebbe significare per i pazienti

Invece di aspettare la patologia su sezione congelata, un giorno i chirurghi potrebbero scansionare con una piccola sonda laser le aree polmonari sospette e vedere immediatamente dove il cancro è più probabile che si nasconda, come rivelato dal riordino di collagene ed elastina attorno ad esso. Questo studio mostra che l’impalcatura di supporto del tumore porta con sé un segnale di rischio forte e leggibile e che l’IA può trasformare quel segnale in chiari segnali visivi. Se sviluppato in strumenti clinici, tale imaging potrebbe rendere le biopsie più accurate, ridurre interventi ripetuti e aiutare a rimuovere i tessuti pericolosi preservando la maggiore quantità possibile di polmone sano.

Citazione: Qian, S., Yang, L., Meng, J. et al. Intraoperative biopsy imaging of lung cancer risk. Commun Med 6, 143 (2026). https://doi.org/10.1038/s43856-026-01406-y

Parole chiave: chirurgia del cancro al polmone, imaging intraoperatorio, matrice extracellulare, microscopia multiphoton, diagnostica con intelligenza artificiale