Caratterizzazione del nodulo tiroideo: nuovo algoritmo di intelligenza artificiale per il superamento del TIRADS

Introduzione I noduli tiroidei, di comune riscontro, richiedono metodi diagnostici accurati a causa della loro potenziale malignità. L'ecografia e la biopsia con agoaspirato sono strumenti primari a tal fine, ma presentano dei limiti nel distinguere i noduli benigni da quelli maligni. La radiomica, l'estrazione di caratteristiche quantitative dalle immagini radiologiche e l'apprendimento automatico, offrono strade promettenti per migliorare la diagnosi. Obiettivo dello studio Sviluppare un modello di apprendimento automatico basato su immagini di ecografia tiroidea per classificare i noduli in classi benigne e maligne, aumentando l’accuratezza diagnostica dell’ecografia e riducendo la variabilità inter-osservatore. Materiali e metodi Sono state raccolte le immagini di ecografia di 710 soggetti. Tra questi, in base alla diagnosi istologica da agoaspirato, 200 pazienti (28,2%) sono stati classificati come “maligni” e 510 pazienti (71,8%) come “benigni” secondo la diagnosi cito-istologica. Questo set di immagini è stato utilizzato per l'addestramento, la convalida incrociata e il test interno di tre diversi modelli di apprendimento automatico. È stato applicato un approccio radiomico, partendo dall'ipotesi che vari modelli radiomici potessero essere in grado di riconoscere caratteristiche capaci di distinguere le varie modalità di presentazione della malattia, per dividere i noduli analizzati in due gruppi. Per il compito di classificazione binaria di interesse (basato sull'apprendimento supervisionato) sono stati sviluppati tre modelli costituiti da quattro insiemi di differenti classificatori di apprendimento automatico (random forests, macchine vettoriali di supporto e classificatori k-nearest neighbor). Risultati Il modello migliore tra i tre, costituito da insiemi di random forests, ha mostrato forte correlazione con i risultati cito-istologici, mostrando curve ROC-AUC (Receiver Operating Characteristic-Area under the ROC) (%) di 85, 83,7** (media) [80,2-87,2], accuratezza (%) di 83, 81,2** [77,1-85,2], sensibilità (%) di 70, 67. 5** [64,3-70,7], specificità (%) di 88, 86,5** [82-91], PPV (%) di 70, 66,5** [57,9-75,1] e NPV (%) di 88, 87,1** [85,5-88,8] (*p<0,05, **p<0,005) nella coorte di test interna. Questo modello è stato poi testato esternamente su una coorte di 105 pazienti, ottenendo un'accuratezza del 90,5%, una sensibilità del 100%, una specificità dell'86,7%, un PPV del 75% e un NPV del 100%. Conclusioni L'obiettivo di questo lavoro è stato quello di sviluppare un modello di apprendimento automatico per classificare i noduli tiroidei maligni e benigni unicamente a partire dalle immagini ecografiche. Sono stati addestrati tre diversi modelli e il modello migliore è risultato essere quello costituito da quattro insiemi di classificatori random forests, che, attraverso 11 caratteristiche molto significative, è riuscito a identificare con successo tutti i noduli maligni e la grande maggioranza di quelli benigni nella coorte di test esterni. Ulteriori indagini potrebbero essere condotte testando il modello su coorti più ampie di pazienti con immagini di noduli provenienti da diversi centri.