Radiomica, intelligenza artificiale ed adenomiosi

Abstract

Introduzione: l'adenomiosi è una condizione benigna comune che colpisce le donne ed è caratterizzata da dolore, menometrorragia e infertilità. La diagnosi non può più dipendere dall’analisi istopatologica ma si basa sull’imaging, soprattutto l’ecografia. L’intelligenza artificiale può essere applicata all’ecografia con lo scopo di migliorare l’accuratezza diagnostica. È possibile creare modelli predittivi per la risposta alla terapia. Obiettivo dello studio: la valutazione della performance diagnostica dell’analisi radiomica ecografica dell’utero per identificare adenomiosi. La ricerca di associazione tra le caratteristiche radiomiche e il carico sintomatologico. In particolare, una correlazione tra i parametri ecografici e la variazione della severità dei sintomi e del volume uterino dopo la terapia ormonale. Risultati: L’analisi radiomica ha dimostrato una buona accuratezza diagnostica mediante applicazione di modelli di machine learning addestrati sulle caratteristiche radiomiche ecografiche.; inoltre, specifici descrittori radiomici si sono dimostrati indipendentemente associati alla severità dei sintomi basali e capaci di predire la risposta alla terapia, in termini di riduzione dei sintomi e del volume uterino. Conclusioni: Buona accuratezza per la diagnosi di adenomiosi della radiomica ecografica; inoltre, specifiche caratteristiche radiomiche sono associate alla severità del dolore basale, rendendo possibile la predizione della risposta al trattamento in termini di variazione dei sintomi e del volume uterino.

Introduction: Adenomyosis is a common benign condition affecting women and is characterized by pain, menometrorrhagia, and infertility. Diagnosis can no longer rely on histopathological analysis but is based on imaging, particularly ultrasound. Artificial intelligence can be applied to ultrasound with the aim of improving diagnostic accuracy. Predictive models for treatment response can also be developed. Study objective: To evaluate the diagnostic performance of uterine ultrasound radiomic analysis for the identification of adenomyosis, and to investigate the association between radiomic features and symptom burden. In particular, to assess the correlation between ultrasound parameters and changes in symptom severity and uterine volume after hormonal therapy. Results: Radiomic analysis demonstrated good diagnostic accuracy through the application of machine learning models trained on ultrasound radiomic features. Moreover, specific radiomic descriptors were independently associated with baseline symptom severity and were able to predict treatment response in terms of symptom reduction and decrease in uterine volume. Conclusions: Ultrasound radiomics shows good diagnostic accuracy for adenomyosis. In addition, specific radiomic features are associated with baseline pain severity, making it possible to predict treatment response in terms of changes in symptoms and uterine volume.