Finalmente qualcuno ha diffuso mediante licenza libera un database contenente centinaia di immagini RM di pazienti affetti da glioblastoma sul The Cancer Imaging Archive, riuscendoci dichiarando di aver eseguito sulle immagini una procedura chiamata skull stripping che elimina lo scheletro e le ossa della faccia per risolvere i discussi problemi di “privacy” già descritti (ps: non gridate troppo forte che l’archivio scaricabile da TCIA contiene anche le immagini originali… 😀 😀 😀 ).
La procedura di skull stripping in realtà nel nostro caso può anche essere utile a fini scientifici in quanto elimina le fonti di segnale RM “estranee” a ciò che vogliamo studiare, migliorando in teoria il rapporto segnale/fondo delle mappe (problema che si era ben osservato con le immagini di glioma del cane), tuttavia in ambito clinico potrebbe eliminare dalle immagini segni di eventuali metastasi endoliquorali, quindi non sono così convinto che sia sempre una buona idea…tuttavia per evitare ogni problema legale in questo studio ho usato le immagini comprendenti solo il cervello. Lo stesso database da me rielaborato al solito sarà scaricabile da GalactiChan.
Materiali e metodi
E’ stato utilizzato come fonte delle immagini il database dello studio UPeen-GBM dell’Università delle Pennsylvania, di cui sono state analizzate le immagini dei primi 100 pazienti. Ogni immagine è stata quindi elaborata con il software LIFEx 7.3 per ottenerne le mappe della matrice GLCM disponibili con il software (dissimilarità, entropia, contrasto, energia, omogeneità e correlazione). Nell’elaborazione sono stati utilizzati 64 livelli di grigio, il range 0-massimo, ed un kernel di diametro pari a 3 voxel.
Per risparmiare tempo macchina e capire quali indicatori siano più utili a fini clinici è stato dapprima elaborato solo un subset di mappe relativo a tutte le immagini dei primi 10 pazienti e queste sono state ispezionate visivamente per capire quali indicatori presentassero il miglior rapporto segnale/fondo o permettessero di rilevare caratteristiche delle lesioni particolari. Questo approccio consente quindi non solo di risparmiare tempo macchina ma anche di eliminare dal processo decisionale l’uso di un Intelligenza Artificiale (che di norma risolve il problema dei confronti multipli) questo perchè solo gli indicatori “qualitativamente interessanti” sono stati poi studiati in dettaglio sui restanti 90 pazienti.
Dopo l’elaborazione tutte le immagini sono state quindi ispezionate visivamente per trarre delle conclusioni circa la loro possibile utilità in ambito clinico.
Risultati:
L’analisi visiva preliminare fatta sul primo subset di 10 pazienti ha evidenziato come l’unico indicatore con un buon rapporto segnale/fondo e di possibile utilità clinica è la GLCM-entropia calcolata utilizzando le immagini ottenute mediante sequenze T2 pesate e FLAIR. In entrambi i casi infatti l’area di incrementato segnale sulle mappe corrisponde spazialmente all’aree che si potenzia dopo somministrazione di mezzo di contrasto. ed in parte al bordo di edema che circonda le lesioni. Questo dato è stato confermato studiando tutte le immagini dei 100 pazienti, compresi alcuni di questi che hanno ripetuto nel tempo l’imaging. Agli esami di follow up si nota come il segnale sulle mappe appaia correlato con la gravità della malattia rilevata alle sequenze di base, tuttavia non è possibile con i dati disponibili capire se questi indicatori hanno valore prognostico per la mancanza di dati clinici accurati abbinati alle immagini
Conclusioni
Il local texture mapping appare un metodo promettente per studiare le immagini RM di glioblastoma in quanto, oltre (forse) a permettere una caratterizzazione delle lesioni (mancano dati clinici per essere sicuri di questa affermazione) alcune mappe ottenute con sequenze che non impiegano mezzo di contrasto mostrano dati praticamente sovrapponibili alle sequenze T1 pesate dopo sua somministrazione. Questo dato potrebbe quindi permettere valutazioni comparabili anche in quei pazienti a cui i mezzi di contrasto a base di Gadolinio non possono essere somministrati (ad esempio per reazioni gravi alla somministrazione o per severa insufficienza renale)
Altra osservazione va fatta sul metodo qui descritto di utilizzare un analisi qualitativa delle mappe degli indicatori su un subset di immagini per decidere poi quali esaminare per eseguire gli studi. Questo metodo, oltre ad eliminare l’uso di costose e complesse IA, che pochi clinici sanno impiegare e che spesso gestite da grandi multinazionali; permette di creare delle immagini valutabili similarmente alle sequenze “classiche”, consentendo magari ad un radiologo esperto di ottenere più informazioni, possibili solo con uno studio “globale” delle immagini invece che di semplici numeri. Io non sono un radiologo, per tal motivo spero che la diffusione libera dei dati che ho ottenuto possa permettere a chi è più esperto di me di ottenere molte più informazioni 🙂
Fonte immagini e citazioni:
Bakas, S., Sako, C., Akbari, H., Bilello, M., Sotiras, A., Shukla, G., Rudie, J. D., Flores Santamaria, N., Fathi Kazerooni, A., Pati, S., Rathore, S., Mamourian, E., Ha, S. M., Parker, W., Doshi, J., Baid, U., Bergman, M., Binder, Z. A., Verma, R., … Davatzikos, C. (2021). Multi-parametric magnetic resonance imaging (mpMRI) scans for de novo Glioblastoma (GBM) patients from the University of Pennsylvania Health System [Data set]. The Cancer Imaging Archive. https://doi.org/10.7937/TCIA.709X-DN49
Bakas, S., Sako, C., Akbari, H., Bilello, M., Sotiras, A., Shukla, G., Rudie, J. D., Flores Santamaria, N., Fathi Kazerooni, A., Pati, S., Rathore, S., Mamourian, E., Ha, S. M., Parker, W., Doshi, J., Baid, U., Bergman, M., Binder, Z. A., Verma, R., Lustig, R., Desai, A. S., Bagley, S. J., Mourelatos, Z., Morrissette, J., Watt, C. D., Brem, S., Wolf, R. L., Melhem, E. R., Nasrallah, M. P., Mohan, S., O’Rourke, D. M., Davatzikos, C. “The University of Pennsylvania glioblastoma (UPenn-GBM) cohort: advanced MRI, clinical, genomics, & radiomics”, Nature Scientific Data, [In Press], 2022
Clark, K., Vendt, B., Smith, K., Freymann, J., Kirby, J., Koppel, P., Moore, S., Phillips, S., Maffitt, D., Pringle, M., Tarbox, L., & Prior, F. (2013). The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository. Journal of Digital Imaging, 26(6), 1045–1057. https://doi.org/10.1007/s10278-013-9622-7
Il blog del dott. Antonello Galati 