BIOPSIA VIRTUALE DELLE LESIONI POLMONARI MEDIANTE RADIOMICA TC E MACHINE LEARNING

Abstract

La caratterizzazione di una lesione polmonare resta uno dei problemi più delicati della diagnostica toracica. La TC è la metodica di riferimento per individuarla e descriverne la morfologia, ma nella maggior parte dei casi la diagnosi definitiva si basa comunque sulla conferma istologica. La biopsia tissutale rimane il gold standard, però è invasiva, non priva di complicanze, e per sua natura descrive solo la porzione di tessuto effettivamente campionata. Negli ultimi anni la radiomica ha mostrato che dalle immagini si possono estrarre informazioni quantitative non colte dal solo occhio del radiologo. È in questa cornice che si parla di biopsia virtuale: un modo non invasivo di interrogare l'intero volume della lesione, nella speranza di ricavarne indizi sulla sua biologia. In questo lavoro abbiamo verificato se feature radiomiche estratte da TC potessero classificare le lesioni polmonari in quattro categorie – carcinoma non a piccole cellule (NSCLC), carcinoma a piccole cellule (SCLC), lesioni benigne e metastasi. L'idea di fondo era capire se un modello di machine learning basato su radiomica potesse avvicinarsi, almeno in parte, al concetto di biopsia virtuale pre-istologica. Il dataset comprendeva 591 lesioni polmonari in 434 pazienti. Abbiamo confrontato 14 feature set e 7 algoritmi di machine learning, per un totale di 98 configurazioni sperimentali, validate con cross-validazione ripetuta 5×5 e separazione dei dati a livello di paziente. Nel complesso, i risultati dicono che la radiomica TC è in grado di intercettare un segnale quantitativo utile alla caratterizzazione non invasiva delle lesioni, ma che la classificazione multiclass completa è ancora lontana dal poter competere con la diagnosi istologica. Il concetto di biopsia virtuale si dimostra però particolarmente promettente proprio per gli SCLC, il che apre a un possibile sviluppo futuro incentrato su un modello dedicato SCLC vs non-SCLC.

The characterization of a pulmonary lesion remains one of the most challenging tasks in thoracic diagnostics. Although computed tomography (CT) represents the reference imaging modality for detecting and describing the morphological features of a lesion, definitive diagnosis relies predominantly on histological confirmation. Tissue biopsy remains the gold standard; however, it is invasive, carries a risk of complications, and inherently reflects only the specific portion of tissue sampled.

In recent years, radiomics has demonstrated that quantitative information beyond human visual perception can be extracted from medical images. Within this framework, the concept of a "virtual biopsy" has emerged: a non-invasive approach to interrogate the entire lesion volume and gain insights into its underlying biology.

In this study, we investigated whether CT-derived radiomic features could classify pulmonary lesions into four distinct diagnostic categories: non-small cell lung cancer (NSCLC), small cell lung cancer (SCLC), benign lesions, and metastases. The primary goal was to evaluate whether a radiomics-based machine learning model could approximate the concept of a pre-histological virtual biopsy.

The dataset comprised 591 pulmonary lesions across 434 patients. We evaluated 14 feature sets and 7 machine learning algorithms, yielding 98 experimental configurations validated using a 5×5 repeated cross-validation scheme with patient-level data splitting. Overall, the findings indicate that CT radiomics can capture a meaningful quantitative signal for the non-invasive characterization of pulmonary lesions. However, full multiclass classification is currently insufficient to compete with histological diagnosis. Nonetheless, the virtual biopsy concept proved particularly promising for identifying SCLC, highlighting a potential direction for future research focused on a dedicated SCLC versus non-SCLC classification model.