Applicazione della analisi radiomica in risonanza magnetica ai meningiomi intracranici di diverso grado. Identificazione di una possibile correlazione tra specifiche features radiomiche e l'espressione di PD-L1 tissutale.
Mostra/ Apri
Autore
Canepa, Sara <1997>
Data
2023-06-22Disponibile dal
2023-06-29Abstract
BACKGROUND: I meningiomi sono i tumori intracranici primitivi più comuni del SNC; la classificazione OMS del 2021 li suddivide in 3 diversi gradi che si differenziano sulla base di criteri istologici e sulla caratterizzazione molecolare. Il PD-L1 è uno dei più importanti inibitori del checkpoint immunitario. L’analisi radiomica rappresenta una vera e propria svolta per la radiologia quantitativa in oncologia e si basa su una logica semplice: le informazioni quantitative sui descrittori morfologici e funzionali possano essere estratte computazionalmente dalle immagini mediche nella fase iniziale del processo diagnostico. Questo studio si è proposto l’obiettivo di identificare una possibile correlazione tra specifiche features radiomiche e l’espressione di PD-L1 tissutale.METODI: Nello studio sono stati arruolati 35 pazienti, precedentemente operati presso l’U.O. i cui tessuti istologici sono stati analizzati tramite IHC per valutare l’espressione di PD-L1 utilizzando l’anticorpo PDL1 SP 263, il numero di mitosi, l’ipercellularità e la percentuale di Ki67. È stata eseguita la risonanza magnetica 1,5T. Abbiamo estratto le features radiomiche dalla lesione segmentata e stratificato i pazienti tramite algoritmi di intelligenza artificiale utilizzando come indici di stratificazione la positività del PD-L1 ed il grado del meningioma.RISULTATI: I pazienti PD-L1 positivi sono 19 ed i pazienti PD-L1 negativi sono 16. I pazienti con meningioma di grado I sono 23, quelli con grado II sono 10 e quelli con grado III sono 2. Le features più robuste e che meglio stratificano i pazienti rispetto al PD-L1 sono entropy, energy, homogeneity, dissimilarity, autocorrelation, coarseness, busyness, GLN (Grey-Level Non uniformity).CONCLUSIONI: Da questo studio è emersa una correlazione tra features radiomiche e l’espressione tissutale di PD-L1. Sarà necessario ampliare gli studi utilizzando diversi indici di stratificazione e nuove sequenze MR per confermare i risultati di questa analisi. BACKGROUND: Meningiomas are the most common primary intracranial tumors of the CNS; the 2021 WHO classification divides them into 3 different grades that differ based on histologic criteria and molecular characterization. PD-L1 is one of the most important immune checkpoint inhibitors. Radiomic analysis represents a real breakthrough for quantitative radiology in oncology and is based on a simple rationale: quantitative information on morphological and functional descriptors can be computationally extracted from medical images early in the diagnostic process. This study aimed to identify a possible correlation between specific radiomic features and tissue PD-L1 expression.METHODS: 35 patients were enrolled in the study, previously operated on at the O.U. whose histologic tissues were analyzed by IHC to assess PD-L1 expression using PDL1 SP 263 antibody, number of mitoses, hypercellularity and percentage of Ki67. 1.5T MRI was performed. We extracted radiomic features from the segmented lesion and stratified patients by artificial intelligence algorithms using PD-L1 positivity and meningioma grade as stratification indices.RESULTS: PD-L1 positive patients were 19 and PD-L1 negative patients were 16. Patients with grade I meningioma are 23, those with grade II are 10 and those with grade III are 2. The features that are most robust and best stratify patients with respect to PD-L1 are entropy, energy, homogeneity, dissimilarity, autocorrelation, coarseness, busyness, GLN (Grey-Level Nonuniformity).CONCLUSIONS: A correlation between radiomic features and tissue expression of PD-L1 emerged from this study. It will be necessary to expand the studies using different stratification indices and new MR sequences to confirm the results of this analysis.
Tipo
info:eu-repo/semantics/masterThesisCollezioni
- Laurea Magistrale [4321]