Massimo Vicentini, Servizio di Epidemiologia, Azienda USL – IRCCS di Reggio Emilia
massimo.vicentini@ausl.re.it
Fabrizio Gozzi2, Pamela Mancuso1, Laura Bonvicini1, Letizia Bartolini1, Pietro Gentile2, Elena Bolletta2, Luca De Simone2, Luca Cimino2, Mauro Iori3, Marco Bertolini3, Valeria Trojani3, Laura Verzellesi3, Alessandro Zerbini4, Stefania Croci4, Stefano Luminari5, Fiorella Ilariucci5, Alberto Bavieri5, Paolo Giorgi Rossi1. 1 Servizio di Epidemiologia – AUSL-IRCCS di Reggio Emilia 2 Servizio di Immunologia Oculare – AUSL-IRCCS di Reggio Emilia 3 Servizio Fisica Medica – AUSL-IRCCS di Reggio Emilia 4 Laboratorio AABI- AUSL-IRCCS di Reggio Emilia 5 Servizio di Ematologia – AUSL-IRCCS di Reggio Emilia
- Categoria Primaria: Altro:radiomica AI
- Categoria Secondaria: Epidemiologia clinica
Introduzione: Il linfoma vitreo-retinico (VLR) è una rara neoplasia primitiva del sistema nervoso centrale (SNC). La presentazione clinica come uveite ricorrente porta spesso a un ritardo diagnostico, e peggior prognosi. La diagnosi definitiva si basa sull’analisi citologica e molecolare dell’umor vitreo, ottenuto tramite procedure invasive. I test molecolari includono la misurazione delle interleuchine 10 (IL-10) e 6 (IL-6) e del loro rapporto. L’imaging multimodale con tomografia a coerenza ottica (OCT), con l’applicazione dell’intelligenza artificiale, potrebbe distinguere la recidiva dallo stato di quiete, eliminando o riducendo la necessità di vitrectomia. Obiettivi: identificare le caratteristiche estratte dalle immagini OCT che correlano con il rapporto tra IL-10 e IL-6 con lo stato clinico della malattia, recidiva vs. quiete. Metodi: analisi retrospettiva su 8 pazienti con VRL sottoposti a 23 visite di follow-up in totale (4 M, 4 F, età media 74 anni), considerando il singolo occhio come unità statistica. Di questi 5 hanno avuto recidiva. Su ogni immagine OCT, sono state calcolate 43 feature radiomiche mediante MATLAB Radiomics tool usando come preprocessing un pixel isotropico di 8.84 µm e 128 livelli di grigio. Attraverso la feature selection eseguita con XGBoost, sono state identificate le 5 features radiomiche più per correlate all’outcome. Ogni esame consta di circa 300 immagini per occhio. Le immagini sono state collassate per occhio. È stato poi calcolato un modello di regressione logistica prima con media, deviazione standard (sd), 90° e 10° percentile per vedere quale delle misure sintetiche per occhio delle 5 features fossero associate con la recidiva. Inoltre, è stato calcolato un modello di regressione lineare per valutare la correlazione tra le features ed il rapporto tra IL-10/IL-6. Risultati Il contrasto (dalla Gray Level Co-occurrence Matrix) è una delle features che sembra predire maggiormente la recidiva con un OR=8.8 (p=0.09) per il 10°percentile e un OR=6.1 (p=0.125) per la sd. Un’altra caratteristica che correla sullo stato di recidiva è la glrlm_lrlge (long run low gray-level emphasis) con OR=0.1 (p=0.04) per la media e OR=0.2 (p=0.02) per il 10°percentile. Anche la forza della texture (dalla Neighborhood Gray tone difference matrix) sembra correlare con la recidiva con OR=4.0 (p=0.03) per la media e OR=7.0 (p=0.02) per il 10° percentile. La correlazione e la dissimilarità (entrambe dalla Grey Level Co-occurrence Matrix) sembrano correlare meglio con IL-10/IL-6, la prima con R2=0.3 (p=0.05) e la seconda con R2=0.3 (P=0.05) per il 10°percentile. Conclusioni Su 5 features analizzate, 3 mostrano una correlazione con lo stato di malattia, ma con bassa capacità predittiva, mentre le altre 2 correlano con il rapporto tra interleuchine. E’ inverosimile che queste features possano sostituire la vitrectomia in toto, ma potrebbero identificare sottogruppi di pazienti nei i quali è possibile fare diagnosi con metodi non invasivi.