La gestione del cancro del colon-retto, in particolare nelle sue fasi iniziali (stadi T1 e T2), è profondamente influenzata dalla presenza di linfonodi metastatici, un fattore che ne altera la prognosi e determina le decisioni terapeutiche. Fino ad oggi, l'identificazione di tale coinvolgimento linfonodale si è basata principalmente su esami di imaging, come la comparsa in gemmazione del tumore o l'invasione della sottomucosa, talvolta confermata da esami microscopici di biopsie linfonodali eseguite sotto ecografia endoscopica.
Tuttavia, nuove prospettive si stanno aprendo grazie all'intelligenza artificiale (Ia), che promette un rilevamento più affidabile dei linfonodi metastatici. Algoritmi di apprendimento automatico, come le foreste casuali (random forests) o le reti neurali convoluzionali, potrebbero essere impiegati per identificare con maggiore precisione le caratteristiche predittive del coinvolgimento linfonodale. Questo porterebbe a un significativo miglioramento nella stratificazione dei pazienti e nella personalizzazione delle loro cure. Un esempio concreto del potenziale dell'Ia si manifesta dopo la resezione endoscopica di un polipo trasformato: l'IA potrebbe determinare con certezza la presenza o l'assenza di linfonodi metastatici, e di conseguenza, la necessità di un intervento chirurgico ulteriore.
Un'approfondita revisione sistematica della letteratura, condotta da autori neozelandesi, ha esaminato 11 pubblicazioni retrospettive, prevalentemente di origine giapponese, pubblicate tra il 1996 e il 2023. Questo studio ha coinvolto un totale di 8648 pazienti, con quasi la metà di questi dati provenienti dal lavoro di Kudo SE. Alcuni degli studi inclusi si sono concentrati sull'analisi delle prestazioni della visione artificiale applicata alle immagini istologiche, mentre altri hanno sfruttato algoritmi di intelligenza artificiale, comprese le reti neurali artificiali, integrandoli con criteri clinici più tradizionali come età, sesso, altezza, morfologia e localizzazione del tumore.
Il confronto tra l'Ia e i metodi tradizionali, valutato in termini di sensibilità, specificità, area sotto la curva (Auc) e accuratezza, ha chiaramente dimostrato la superiore capacità dell'Ia nel prevedere la presenza di linfoadenopatia metastatica. Un risultato particolarmente rilevante è la riduzione del 15% nell'uso di interventi chirurgici non necessari, grazie alla maggiore precisione diagnostica offerta dall'IA. In particolare, la tecnica della foresta casuale ha mostrato un'accuratezza dell'87%. L'uso delle reti neurali convoluzionali è stato ritenuto particolarmente efficace nel rilevare i linfonodi, superando di gran lunga le tecniche convenzionali. Inoltre, una tecnica statistica nota come Lasso, basata sulla contrazione dei coefficienti di regressione logistica, è in grado di migliorare ulteriormente le prestazioni dell'Ia. È stato inoltre osservato che l'elaborazione dell'intera immagine patologica, piuttosto che un ingrandimento sui singoli pixel, fornisce risultati di qualità superiore nell'analisi delle sezioni.
In conclusione, l'intelligenza artificiale si sta rivelando estremamente promettente nella previsione delle metastasi linfonodali nei tumori del colon-retto in fase precoce. Questa innovazione ha il potenziale di affinare significativamente le decisioni cliniche, consentendo di eseguire resezioni chirurgiche solo quando strettamente necessarie, migliorando così gli esiti per i pazienti e ottimizzando le risorse sanitarie.
Whatsapp