Introduzione
Nell'ambito della medicina, l'intelligenza artificiale (IA) sta emergendo come una risorsa promettente per migliorare la diagnosi, il monitoraggio e la prognosi di varie condizioni mediche. Uno degli ambiti in cui l'IA sta dimostrando un notevole potenziale è nella segmentazione automatica di immagini mediche, come le scansioni TC, per identificare biomarcatori utili per la prognosi e la gestione delle malattie, in particolare delle pneumopatie infiltrative diffuse.
In questo contesto, assume sempre maggiore rilevanza la necessità di identificare marcatori prognostici non invasivi di progressione e mortalità delle pneumopatie infiltrative diffuse fibrosanti, fibrosi polmonare idiopatica (IPF) in primis. In questo setting, l'analisi automatizzata delle TC potrebbe fornire biomarcatori efficienti, riproducibili e predittivi per l’IPF. Tuttavia, i risultati dell’applicazione dell’AI in questo ambito appaiono promettenti, ma non ancora definitivi (1).
Sulla base di questi presupposti, gli Autori hanno disegnato uno studio che avesse come obiettivo quello di sviluppare biomarcatori radiologici automatizzati grazie all’ausilio dell’IA e del deep learning, per determinare la correlazione fra parametri TC e funzione polmonare, progressione di malattia e mortalità.

Metodi e risultati dello studio
Lo studio ha coinvolto una coorte di 426 pazienti con IPF non trattata precedentemente, arruolati nello studio di osservazione prospettico sulla fibrosi polmonare (PROFILE) nel Regno Unito. I pazienti reclutati venivano sottoposti a una TC del torace basale nell’ambito delle valutazioni radiologiche di routine e a prove di funzionalità respiratoria entro 180 giorni dalla TC del torace, quindi a valutazioni longitudinali a 1-3-6-12 mesi e poi annualmente per 3 anni. Le TC del torace venivano ripetute longitudinalmente secondo pratica clinica.
Utilizzando approcci di deep learning, i ricercatori hanno sviluppato modelli di segmentazione per quattro biomarcatori anatomici: volume polmonare, volume vascolare, volume delle vie aeree e volume della fibrosi.
La segmentazione automatizzata è stata efficace nel 99,3% delle scansioni TC, indipendentemente dallo spessore dello strato e dal produttore dell'attrezzatura.
Il volume polmonare ha mostrato la correlazione più forte con la capacità vitale forzata (FVC) misurata alle prove di funzionalità respiratoria (r=0,82, p<0,001).
I volumi polmonare, vascolare e di fibrosi sono stati associati alla sopravvivenza a 5 anni e alla sopravvivenza senza progressione a 2 anni.
In particolare, nell'analisi trasversale, le TC al basale con volume polmonare inferiore (HR 0,98, CI 0,97-0,99, p= 0,007), volume vascolare più elevato (HR 1,37, CI 1,20-1,56, p= <0,001), volume delle vie aeree più elevato (HR 5,41, CI 1,87-15,66, p=0,002) e volume di fibrosi più elevato (HR 1,17, CI 1,12-1,22, p= <0,001) erano tutte associate a una ridotta sopravvivenza a cinque anni, sia nell’analisi univariata, sia dopo aver aggiustato l’analisi per la gravità di malattia al baseline.
Inoltre, un volume polmonare inferiore (HR 0,98, CI 0,96-0,99, p=0,001), un aumento del volume vascolare (HR 1,30, CI 1,12-1,51, p=0,001) e un aumento del volume della fibrosi (HR 1,17, CI 1,12-1,22, p=<0,001) erano associati a una ridotta sopravvivenza libera da progressione a due anni.
Infine, l'analisi longitudinale ha rivelato che una diminuzione del volume polmonare nel tempo è stata associata a un aumentato rischio di mortalità, con un'incidenza significativa di morte nei pazienti con una riduzione del volume polmonare nel corso del follow-up. Analogamente, l’analisi prospettica ha confermato che un aumento della fibrosi nel tempo era correlato a un aumentato rischio di mortalità nel corso del follow-up.

Discussione e conclusioni
In sintesi, anche attraverso l’applicazione dei modelli di AI, la riduzione del volume polmonare, l’entità della fibrosi e l’incremento del letto vascolare, peraltro correlato con la probabilità di ipertensione polmonare, appaiono promettenti marcatori prognostici nei pazienti affetti da IPF.
Tentativi simili di applicazione dell’AI in ambito di IPF sono sempre più rappresentati in letteratura. Per esempio Mäkelä et al. (2) hanno utilizzato modelli di IA applicati ai tessuti bioptici per identificare foci fibroblastici e focolai infiammatori nei pazienti affetti da IPF, confermando che l’incremento dei foci fibroblastici correlava con una prognosi peggiore.
Handa et al. (3), in analogia con il presente studio, applicando l’IA alle scansioni TC del torace, hanno rilevato che volumi polmonari normali erano associati a una maggior sopravvivenza.
Sulla base dei suddetti risultati, sia la riduzione del volume polmonare, sia l’entità della fibrosi e il suo incremento nel tempo, sia l’incremento del letto vascolare polmonare alla TC appaiono promettenti marcatori di progressione e mortalità a breve e lungo termine nei pazienti con IPF e, in questo contesto, l'applicazione di modelli di segmentazione basati su deep learning alle scansioni TC appare una metodica efficace, riproducibile e non time-consuming, potenzialmente utilizzabile nella pratica clinica di routine e negli studi clinici.

Bibliografia

1. Soffer S, Morgenthau AS, Shimon O, et al. Artificial intelligence for interstitial lung disease analysis on chest computed tomography: a systematic review. Acad Radiol 2022;29 (Suppl 2):S226-35.
2. Mäkelä K, Mäyränpää MI, Sihvo HK, et al. Artificial intelligence identifies inflammation and confirms fibroblast foci as prognostic tissue biomarkers in idiopathic pulmonary fibrosis. Hum Pathol 2021;107:58-68.
3. Handa T, Tanizawa K, Oguma T, et al. Novel artificial intelligence-based technology for chest computed tomography analysis of idiopathic pulmonary fibrosis. Ann Am Thorac Soc 2022;19:399-406.