Ruolo della radiomica e dell’intelligenza artificiale nella diagnostica per immagini dell’adenomiosi

Abstract

Questo studio valuta il ruolo della radiomica ecografica nella diagnosi di adenomiosi, patologia uterina cronica benigna spesso sottodiagnosticata. L’obiettivo principale è stato analizzare le prestazioni diagnostiche dell’analisi radiomica applicata all’ecografia transvaginale. Obiettivi secondari includevano l’associazione tra caratteristiche radiomiche e severità dei sintomi e la capacità predittiva rispetto alla risposta clinica dopo terapia ormonale, valutando variazioni di dolore e di volume uterino. È stato condotto uno studio di coorte monocentrico (2021–2025) su 448 pazienti (362 con adenomiosi, 86 controlli), con diagnosi ecografica secondo i criteri MUSA. Per ciascuna paziente è stata acquisita un’immagine sagittale dell’utero, sottoposta a segmentazione ed estrazione di features radiomiche. I modelli sono stati sviluppati sul 70% della coorte e validati sul restante 30%. L’analisi radiomica ha mostrato buona performance diagnostica. La Support Vector Machine ha ottenuto le migliori prestazioni (AUC 0,857), con accuratezza significativamente superiore alla regressione logistica (p<0,001). Le features più rilevanti riguardavano eterogeneità tissutale, distribuzione dell’intensità e parametri di forma di endometrio e miometrio. Alcuni descrittori radiomici sono risultati associati alla severità del dolore basale e alla riduzione dei sintomi e del volume uterino dopo terapia ormonale. L’integrazione tra ecografia e intelligenza artificiale migliora l’accuratezza diagnostica e consente lo sviluppo di modelli predittivi personalizzati, supportando una gestione clinica più mirata.

This study evaluates the role of ultrasound radiomics in the diagnosis of adenomyosis, a chronic benign uterine condition that is often underdiagnosed. The primary objective was to analyze the diagnostic performance of radiomic analysis applied to transvaginal ultrasound. Secondary objectives included investigating the association between radiomic features and symptom severity, as well as their predictive value regarding clinical response to hormonal therapy, by evaluating changes in pain intensity and uterine volume. A single-center cohort study was conducted between 2021 and 2025, including 448 patients (362 with adenomyosis and 86 controls), with ultrasound diagnosis established according to the MUSA criteria. For each patient, a sagittal uterine image was acquired and subjected to segmentation and radiomic feature extraction. Models were developed on 70% of the cohort and validated on the remaining 30%. Radiomic analysis demonstrated good diagnostic performance. The Support Vector Machine achieved the best results (AUC 0.857), with significantly higher accuracy than logistic regression (p<0.001). The most relevant features reflected tissue heterogeneity, intensity distribution, and shape parameters of the endometrium and myometrium. Some radiomic descriptors were associated with baseline pain severity and with the reduction of symptoms and uterine volume after hormonal therapy. The integration of ultrasound and artificial intelligence improves diagnostic accuracy and enables the development of personalized predictive models, supporting a more tailored clinical management.