Intelligenza artificiale e Radiomica nella Contrast-Enhanced Mammography: Un Nuovo Approccio alla Caratterizzazione delle Lesioni Mammarie

Abstract

Il carcinoma mammario rappresenta la neoplasia più frequente nella popolazione femminile e una delle principali cause di mortalità oncologica. La mammografia con mezzo di contrasto (Contrast-Enhanced Mammography, CEM) si è affermata come metodica di secondo livello ad alta sensibilità, consentendo l’integrazione di informazioni morfologiche e funzionali in un’unica acquisizione. Parallelamente, la radiomica e l’intelligenza artificiale (IA) permettono l’estrazione di feature quantitative dalle immagini, favorendo un’analisi più oggettiva e riproducibile.

Obiettivo di questo studio è valutare il contributo della radiomica applicata alla CEM nella distinzione tra lesioni benigne e maligne, con particolare attenzione alle CEM-only lesions, visibili esclusivamente nelle immagini sottratte dual-energy e frequentemente candidate a biopsia dedicata.

Sono state analizzate 74 lesioni in 67 pazienti mediante immagini CEM sottratte (DES). Dopo segmentazione manuale, le feature radiomiche sono state sottoposte a riduzione dimensionale tramite Principal Component Analysis (PCA). Sono stati quindi sviluppati modelli di regressione logistica basati su variabili cliniche, feature radiomiche e sulla loro combinazione.

Nel test set, la valutazione radiologica convenzionale ha mostrato una sensibilità del 30% e una specificità del 65%. Il modello clinico-radiomico combinato ha raggiunto una sensibilità del 72% e una specificità del 91%, dimostrando una superiorità diagnostica rispetto alla sola lettura visiva. I risultati suggeriscono che la radiomica applicata alla CEM possa migliorare la caratterizzazione delle CEM-only lesions, riducendo biopsie non necessarie e ottimizzando il percorso diagnostico, aprendo la strada a una CEM quantitativa nella senologia di precisione.

Breast cancer is the most common malignancy in women and one of the leading causes of cancer-related mortality. Contrast-enhanced mammography (CEM) has emerged as a highly sensitive second-level imaging technique, enabling the integration of morphological and functional information within a single acquisition. In parallel, radiomics and artificial intelligence (AI) allow the extraction of quantitative imaging features, supporting a more objective and reproducible analysis.

The aim of this study was to evaluate the role of radiomics applied to CEM in differentiating benign from malignant breast lesions, with a specific focus on CEM-only lesions, which are detectable exclusively on dual-energy subtracted images and are often referred for dedicated biopsy.

A total of 74 lesions in 67 patients were analyzed using dual-energy subtracted (DES) CEM images. Following manual segmentation, radiomic features underwent dimensionality reduction using Principal Component Analysis (PCA). Logistic regression models were developed based on clinical variables, radiomic features, and their combined integration.

In the test set, conventional radiological assessment achieved a sensitivity of 30% and a specificity of 65%. The combined clinical–radiomic model showed improved performance, reaching a sensitivity of 72% and a specificity of 91%, outperforming visual assessment alone. These results suggest that radiomics applied to CEM may enhance the characterization of CEM-only lesions, potentially reducing unnecessary biopsies and improving diagnostic efficiency, thus supporting the development of quantitative CEM in precision breast imaging.