L'Intelligenza Artificiale applicata alla predizione della progressione di malattia nella Neoplasia polmonare non a piccole cellule in stadio avanzato, utilizzando parametri routinari metabolici di [18F]-FDG PET-CT pre-trattamento. Risultati preliminari.

Lo studio mira a definire modelli predittivi prognostici di Progression Free Survival (PFS) e di sopravvivenza globale (OS) utilizzando i parametri metabolici estratti da PET-CT [18F]-FDG pre-trattamento di pazienti con NSCLC stadio IV. Materiali e metodi: sono stati valutati retrospettivamente i dati PET-CT pre-trattamento di 51 pazienti con NSCLC in stadio IV. I volumi di interesse di tumore, linfonodi e metastasi (TNM VOI) sono stati delineati sulle scansioni PET e sono stati registrati i parametri metabolici MTV, SUVmax e SUVmean di T, N e M. È stata eseguita un'analisi di sopravvivenza utilizzando le curve di Kaplan-Meier (KM) e log-rank test. La PFS è stata valutata mediante valutazione PET-CT o TC di follow-up. Sono stati testati quattro modelli per eseguire l'analisi di sopravvivenza: CoxPH, CoxNet, Random Survival Forest (RSF) e Gboost.  Il ​​punteggio Bier integrato (IBS) e l'indice di concordanza (C-index) sono stati calcolati per ciascun modello dopo nested cross validation. L'analisi della sopravvivenza tramite KM e log-rank test è stata condotta per ciascun modello. Risultati: nessuno dei test log-rank KM ha mostrato valore p significativo nel predire la PFS o l'OS utilizzando dati quali SUVmax di T, N e M, SUVmean di T, N e M. Il modello RSF_TNM ha mostrato la migliore performance nel discriminare tra alto e basso rischio di PFS [C-index: 0,575, IBS: 0,23 e rapporto valori P significativi nel 24% dei casi]. RSF_TNM è stato il modello migliore, anche considerando l'OS: RSF_TNM, con un C-index di 0,59 con CI (intervallo di confidenza al 95%): 0,478 – 0,707, IBS di 0,236 e un rapporto P-value significativo nel 32% dei casi. Conclusioni: alcuni dei percorsi di machine learning proposti potrebbero avere il potenziale per prevedere con precisione la PFS e l'OS nei pazienti con NSCLC avanzato incorporando parametri PET metabolici dal VOI TNM.