Radiogenomics and computational pathology to predict molecular-integrated risk classes in early stage endometrial cancer patients - Finanziato dall’Unione europea – Next Generation EU
Progetto Il carcinoma dell'endometrio (CE) è il cancro ginecologico più comune nei paesi sviluppati; la maggior parte dei casi vengono diagnosticati in fase precoce e indirizzati a trattamento chirurgico. Nel complesso, i trattamenti tradizionali a seconda del rischio clinico-patologico portano a una prognosi eccellente per i pazienti con CE in stadio iniziale, con una sopravvivenza globale a 10 anni superiore all’80%. Tuttavia, un sottogruppo di pazienti con caratteri prognostici favorevoli vanno incontro inaspettatamente a recidiva della malattia e presentano una scarsa sopravvivenza. La gestione del CE è cambiata significativamente negli ultimi 3 anni grazie all'integrazione delle caratteristiche molecolari (in particolare mutazione di POLE, instabilità dei microsatelliti e mutazioni del gene TP53) nelle classi di valutazione del rischio previste dalle linee guida internazionali. Tuttavia, l'introduzione del sequenziamento nella pratica clinica rappresenta una sfida per molti centri e può comportare ritardi nella valutazione prognostica dei pazienti. Inoltre, sono ancora disponibili troppe opzioni terapeutiche per ciascuna classe di rischio integrata, riducendo così il reale impatto delle caratteristiche molecolari integrate nel miglioramento della personalizzazione dei trattamenti. Questi bisogni insoddisfatti, insieme alle politiche di contenimento dei costi sanitari, potrebbero essere affrontati con successo mediante strumenti basati sull’intelligenza artificiale. Tra le tecnologie legate all’intelligenza artificiale, la radiogenomica e la patologia computazionale potrebbero dare un contributo significativo in tale settore. Prove crescenti supportano il potenziale ruolo predittivo e prognostico dell'analisi radiogenomica che collega le caratteristiche dell'imaging ai profili genomici. Questa tecnologia ha già dimostrato di essere in grado di supportare la diagnosi, la stratificazione preoperatoria e la risposta terapeutica in diversi tipi di cancro. Allo stesso modo, la patologia digitale/computazionale è un campo emergente con la potenzialità di surrogare le caratteristiche genomiche dei pazienti da vetrini istologici. Obiettivi. Il progetto mira ad aumentare la conoscenza nel panorama molecolare della CE in fase iniziale e a sviluppare e convalidare modelli basati sull’intelligenza artificiale (AI) per prevedere le classi di rischio integrate a livello molecolare in questo contesto clinico. È suddiviso nei seguenti work package (WP): 1) WP1: fornire la profilazione genomica e trascrittomica di pazienti affetti da CE; 2) WP2: sviluppare e validare modelli radiogenomici basati sia su immagini ecografiche (US) che su immagini di risonanza magnetica (MRI) per prevedere il comportamento prognostico della CE sulla base di classi di rischio integrate a livello molecolare; 3) WP3: effettuare un'analisi patologica computazionale su vetrini colorati con ematossilina ed eosina (H&E) al fine di valutare la fattibilità di un modello predittivo per le classi di rischio EC integrate a livello molecolare. I dati ottenuti dal WP1 potrebbero aumentare la comprensione del panorama biologico della CE, perfezionando così i modelli WP2 e WP3. Gli strumenti basati sull'intelligenza artificiale dovrebbero consentire ai medici una precoce gestione terapeutica personalizzata perseguendo anche politiche di contenimento dei costi sanitari.