La radiomica applicata alla PET/CT con [18F]PSMA-1007 può aiutare a migliorare l'interpretazione degli uptakes focali ossei nei pazienti con cancro alla prostata ormono-sensibile

Abstract

Il carcinoma prostatico è la neoplasia più frequente nella popolazione maschile. L’introduzione dei traccianti diretti contro il Prostate Specific Membrane Antigen (PSMA) ha migliorato la stadiazione e la ristadiazione della malattia. Tuttavia, l’impiego di [¹⁸F]-PSMA-1007 è associato a captazioni ossee aspecifiche (UBUs), che possono simulare lesioni metastatiche e generare errori interpretativi. La radiomica, integrata con machine learning, consente di estrarre parametri quantitativi dalle immagini PET/CT, offrendo strumenti predittivi oggettivi a supporto della valutazione clinica. Obiettivo: sviluppare e validare un modello di machine learning basato su features radiomiche da PET/CT con [¹⁸F]-PSMA-1007, per distinguere lesioni ossee metastatiche da UBUs, testandone la robustezza su un dataset esterno. Materiali e metodi: sono state analizzate 285 PET/CT acquisite presso tre centri (Genova, Brescia, Catania). Dopo segmentazione manuale e semi-automatica, sono state estratte features radiomiche da immagini PET e CT tramite PyRadiomics. Le variabili sono state selezionate con regressione Elastic Net e impiegate per addestrare una rete neurale Multi-Layer Perceptron. Il dataset è stato suddiviso in training, validazione e test esterno. Risultati: il modello ha mostrato buone performance nella distinzione tra metastasi e UBUs, con accuratezza >80% e AUC >83% su dati esterni. L’approccio radiomico ha ridotto la variabilità interosservatore, migliorando la riproducibilità diagnostica rispetto all’interpretazione visiva. Conclusioni: la radiomica PET/CT con [¹⁸F]-PSMA-1007, integrata con machine learning, si conferma un valido strumento di supporto nella caratterizzazione delle lesioni ossee nel carcinoma prostatico. Questi risultati suggeriscono un potenziale impatto clinico sulla corretta stadiazione e sulla personalizzazione della terapia. Studi prospettici multicentrici sono necessari per confermarne la trasferibilità e l'applicabilità clinica.

Prostate cancer is the most common malignancy in men. The introduction of tracers targeting the Prostate Specific Membrane Antigen (PSMA) has significantly improved staging and restaging accuracy. However, the use of [¹⁸F]-PSMA-1007 is associated with unspecific bone uptakes (UBUs), which may mimic metastatic lesions and lead to misinterpretation. Radiomics, combined with machine learning, enables the extraction of quantitative features from PET/CT images, offering objective predictive tools to support clinical evaluation. Objective: To develop and validate a machine-learning model based on radiomic features from [¹⁸F]-PSMA-1007 PET/CT images, aimed at distinguishing metastatic bone lesions from UBUs, and to test its robustness on an external dataset. Materials and Methods: A total of 285 PET/CT scans from three centers (Genoa, Brescia, Catania) were analyzed. After manual and semi-automatic segmentation, radiomic features were extracted from PET and CT images using PyRadiomics. Feature selection was performed via Elastic Net regression, and the data were used to train a Multi-Layer Perceptron neural network. The dataset was split into training, validation, and external test sets. Results: The model showed strong performance in differentiating metastases from UBUs, with accuracy >80% and AUC >83% on external data. Radiomics reduced interobserver variability and improved diagnostic reproducibility compared to visual interpretation. Conclusions: Radiomics applied to [¹⁸F]-PSMA-1007 PET/CT, integrated with machine learning, proves to be a valuable support tool for characterizing bone lesions in prostate cancer. These results suggest potential clinical impact on staging and treatment personalization. Prospective multicenter studies are needed to confirm its clinical applicability.