{"id":21834,"date":"2021-10-23T11:07:30","date_gmt":"2021-10-23T09:07:30","guid":{"rendered":"https:\/\/www.mathsly.it\/wordpress\/?p=21834"},"modified":"2026-04-04T08:04:45","modified_gmt":"2026-04-04T06:04:45","slug":"radiomica-una-nuova-frontiera-per-la-medicina-e-la-matematica","status":"publish","type":"post","link":"https:\/\/www.mathsly.it\/wordpress\/radiomica-una-nuova-frontiera-per-la-medicina-e-la-matematica\/","title":{"rendered":"Radiomica: una nuova frontiera per la medicina e la matematica"},"content":{"rendered":"\n

La radiomica – nuova frontiera della medicina – \u00e8 un metodo quantitativo per la valutazione e l’interpretazione delle immagini mediche, quali CT (computed tomography<\/em>), PET (positron-emission-tomography<\/em>) o MRI (magnetic resonance imaging<\/em>). Si tratta di un approccio matematico che consente di aumentare l’interpretazione delle evidenze mediche grazie ad un migliore e pi\u00f9 accurato uso delle informazioni visive. La radiomica utilizza la matematica a volte nelle sue forme pi\u00f9 complesse per dare risalto e valore ad informazioni non percepibili ad occhio nudo. <\/p>\n\n\n\n\n\n

Da ormai alcuni anni la medicina \u00e8 fortemente influenzata da tecnologie di intelligenza artificiale e da teorie di natura prettamente matematica. La tecnologia per parte sua consente ai clinici di disporre di strumenti avanzati e veloci per la valutazione di molteplici situazioni cliniche nonch\u00e9 interfacciare le informazioni relative ad uno stesso paziente. La matematica contribuisce in modo sempre pi\u00f9 massiccio alla crescita dell’accuratezza clinico-diagnostica e prognostica.<\/p>\n\n\n\n

La radiomica rappresenta uno dei pi\u00f9 recenti esempi di contatto tra medicina e matematica. Quest’ultima combina le informazioni contenute sulle immagini mediche in modo da estrarre informazioni, altrimenti non visibili ad occhio nudo. Ultima conseguenza tali dati vengono trasformati in riferimenti indispensabili per il clinico. <\/p>\n\n\n\n

Attraverso processi matematici – quali distribuzione spaziale delle intensit\u00e0 di segnale e delle inter-relazioni tra pixel – la radiomica quantifica le informazioni strutturali restituendo dati in grado di migliorare accuratezza e precisione di diagnosi e prognosi.<\/p>\n\n\n\n

\n
\n

Oncologia: il grande campo di applicazione della radiomica<\/h4>\n<\/div>\n\n\n\n
\n

In ambito oncologico la radiomica svolge un ruolo rilevante. Attraverso il contributo tecnologico di CT, PET e MRI, tale nuova frontiera consente di estrarre e analizzare informazioni presenti nelle immagini mediche, ma non percepibili ad occhio nudo e non accessibili attraverso una tradizionale ispezione visuale. Tutto ci\u00f2 migliora la predizione prognostica e la previsione della risposta terapeutica. Obiettivo finale \u00e8 quello di aumentare le capacit\u00e0 di previsione dei clinici attraverso una sempre pi\u00f9 performante medicina personalizzata. <\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n\n\n

Il processo che conduce dall’esecuzione di un’immagine medica alla valutazione della stessa con strumenti matematici avanzati sfrutta due scienze: la matematica e l’intelligenza artificiale. Si tratta dunque di un connubio tra valutazioni quantitative e tecnologie avanzate.<\/p>\n\n\n\n

Per poter capire come medicina, immagini, matematica ed intelligenza artificiale si combinino tra loro per fornire dati utili alle decisioni mediche, \u00e8 necessario capire il work-flow<\/em> su cui la radiomica si concretizza. Nel caso dell’oncologia, l’estrapolazione dall’immagine medica delle caratteristiche del tumore consente di comprendere in modo accurato forma, intensit\u00e0 ed eterogeneit\u00e0 delle masse tumorali, fattori che si correlano con i risultati clinici e facilitano la corretta identificazione della terapia ottimale per ogni paziente.<\/p>\n\n\n\n\n\n

Il primo passaggio per implementare un tale approccio quantitativo \u00e8 la segmentazione delle immagini. Si tratta del primo necessario step per delineare la regione di interesse (ROI) nelle visualizzazioni 2D o il volume di interesse (VOI) nelle visualizzazioni 3D. <\/p>\n\n\n\n

ROI e VOI rappresentano appunto le regioni in cui sono successivamente calcolate le caratteristiche (features<\/em>) radiomiche.<\/p>\n\n\n\n

Sebbene questo primo passo possa essere svolto in modo manuale o semi-automatico, l’approccio totalmente automatico risulta il metodo pi\u00f9 efficace al fine di ridurre il tempo di esecuzione delle segmentazioni ed i bias<\/em> tra differenti osservatori. La segmentazione automatica delle immagini basata sul deep learning<\/em> (apprendimento profondo) \u00e8 considerata infatti la tecnica pi\u00f9 performante e la meno soggetta a variabilit\u00e0 intra-operatore o inter-operatori.<\/p>\n\n\n\n\n\n

Dopo aver segmentato le immagini, il passo successivo \u00e8 processare le immagini, ossia renderle tra loro omogenee cos\u00ec che sia possibile, nello step successivo, estrarre le features<\/em> analizzando, ad esempio, lo spazio tra pixel, le intensit\u00e0 di grigio ed i bins<\/em> dell’istogramma dei livelli di grigio.<\/p>\n\n\n\n

In questa fase i concetti matematici di interpolazione, ri-segmentazione, filtraggio degli outliers<\/em> di intensit\u00e0 e discretizzazione entrano in campo attraverso algoritmi.<\/p>\n\n\n\n

Gli algoritmi di interpolazione traducono le intensit\u00e0 dell’immagine dalla griglia dell’immagine originale in una griglia di interpolazione. Gli algoritmi quali nearest neighbour<\/em>, trilinear<\/em>, tricubic convolution<\/em> e tricubic spline interpolation<\/em> sono quelli comunemente usati. <\/p>\n\n\n\n

La ri-segmentazione ed il filtraggio degli outliers<\/em> vengono utilizzati per rimuovere i pixel\/voxels al di fuori della regione segmentata di uno specifico range di livelli di grigio. Il metodo pi\u00f9 adottato \u00e8 quello che calcola la media \u00b5 e la deviazione standard \u03c3 dei livelli di grigio dentro il ROI\/VOI ed esclude i livelli di grigio al di fuori del range (\u00b5 \u00b1 3\u03c3).<\/p>\n\n\n\n

Infine, la discretizzazione raggruppa i valori originari secondo specifici intervalli (bins<\/em>). Il processo \u00e8 concettualmente simile ad un istogramma. Il range della quantit\u00e0 discretizzata, il numero di bins<\/em> e la loro ampiezza rappresentano i tre parametri cardine della discretizzazione. <\/p>\n\n\n\n

Punto fortemente dibattuto \u00e8 quanti bins<\/em> sono necessari e quale deve essere la loro ampiezza. Infatti a seconda della numerosit\u00e0 e dell’ampiezza dei bins<\/em>, il processo di discretizzazione pu\u00f2 perdere features<\/em> o renderle non identificabili dal noise<\/em> (rumore).<\/p>\n\n\n\n\n\n

Terzo passo \u00e8 l’estrazione delle features<\/em>, ossia delle caratteristiche che andranno a costituire il modello finale e permetteranno il passaggio alla clinica. Per il calcolo delle features<\/em> esistono differenti metodi che permettono di quantificare le caratteristiche dei livelli di grigio dentro ROI\/VOI. Per standardizzare i metodi di calcolo e per aumentarne l’accuratezza, \u00e8 stata avviata una collaborazione internazionale indipendente – Image Biomarker Standardization Initiative (IBSI)<\/em>.<\/a> Obiettivo di tale collaborazione \u00e8 migliorare l’accuratezza e standardizzare i metodi di calcolo. <\/p>\n\n\n\n

\n
\n

Warning<\/span><\/h4>\n<\/div>\n\n\n\n
\n

In molti casi la scelta non \u00e8 eseguita dall’operatore, ma basta un click su “run<\/em>” per estrarre le features<\/em>. Attenzione! Mai come in radiomica vale la regola dell’affidarsi al software in modo consapevole. Non conoscere le modalit\u00e0 di calcolo delle features<\/em>, ma procedere unicamente guidati dal pulsante “run<\/em>” pu\u00f2 provocare importanti bias<\/em>. Quando si adoperano le formulazioni matematiche, conoscere il meccanismo con cui esse funzionano \u00e8 fondamentale per non perdere nessun pezzo del processo di creazione e valutazione dell’informazione. <\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n\n\n

Step numero 4: decidiamo quante e quali features<\/em> includere nel modello finale. L’aver compreso le procedure che permettono la determinazione delle features<\/em> \u00e8 fondamentale per capire cosa includere nel modello finale, il quale rappresenta il risultato dell’intero processo di radiomica ed \u00e8 quello su cui il clinico fonder\u00e0 il proprio processo decisionale. <\/p>\n\n\n\n

Non esistono regole bench\u00e9 qualche “rule of thumb<\/em>” sia stata ideata in base alla dimensione del campione. Io preferisco seguire una sola regola: la riduzione delle features<\/em> non pu\u00f2 essere un processo meccanico, ma deve essere un processo multi-step<\/em> che prenda di mira l’esclusione di features<\/em> non riproducibili, ridondanti e non rilevanti. <\/p>\n\n\n\n

Le features<\/em> soggette a variabilit\u00e0 tra osservatori e intra-osservatore sono poco informative per determinare la risposta terapeutica. E, sebbene alcuni accompagnino la scelta delle features<\/em> con calcoli di robustezza determinate da intra-class correlation coefficient<\/em> (ICC), ci\u00f2 potrebbe non essere sufficiente in quanto l’ICC dipende dalla naturale varianza sottostante i dati osservati. <\/p>\n\n\n\n

Detto ci\u00f2, scegliamo le variabili rilevanti e lavoriamo con gli algoritmi ancora una volta. Per questa fase sono disponibili vari metodi basati su tecniche di machine learning<\/a><\/em>, come i metodi ricorsivi di eliminazione delle features<\/em> o gli algoritmi random forest<\/em>. <\/p>\n\n\n\n

Nel caso in cui gli algoritmi non funzionano, si possono creare cluster<\/em> di correlazione o combinare questi con le tecniche di machine learning<\/em>. Tecniche di machine learning, metodi statistici e visualizzazione dei dati sono tutti finalizzati ad identificare le features<\/em> che meglio rappresentano la variabilit\u00e0 biologica e clinica presente nel dataset. <\/p>\n\n\n\n

Per scegliere le features<\/em> occorre ricordare che pi\u00f9 le variabili sono in grado di descrivere il campione, maggiore sar\u00e0 la capacit\u00e0 predittiva del modello. Spetta al clinico unitamente al matematico trovare l’equilibrio tra variabilit\u00e0 e comparabilit\u00e0.<\/p>\n\n\n\n

Dopo aver identificato le features<\/em>, siamo pronti per addestrare il modello e metterlo in atto con tecniche di machine learning<\/em>. <\/p>\n\n\n\n\n\n

Il mondo della medicina si sta evolvendo e la matematica \u00e8 una grande, insostituibile compagna di viaggio di questa evoluzione. Medicina e matematica sono sempre state due discipline vicine e di supporto. Oggi particolarmente la medicina deve alla matematica la sempre pi\u00f9 grande affidabilit\u00e0. Reciprocamente la matematica accredita alla medicina alcune delle sue intuizioni pi\u00f9 forti. Secondo Ian Stewart, dopo le cinque grandi rivoluzioni scientifiche occorse in ambito biologico (microscopio, classificazione, evoluzione, genetica e struttura del DNA) stiamo assistendo alla sesta rivoluzione scientifica in cui la matematica rappresenta per tutte le scienze della vita lo strumento necessario a comprendere gli ingredienti essenziali dell’esistenza ed i loro processi di funzionamento.<\/p>\n\n\n\n

\n\n\n\n\n\n