Metodi bayesiani per caratterizzare i tumori al cervello
L’imaging per risonanza magnetica (MRI) è attualmente usato per la diagnosi in vivo e la classificazione dei tumori al cervello. Questo aiuta i chirurghi nella pianificazione della rimozione di tumori e nel monitoraggio della risposta al trattamento. L’accuratezza diagnostica però è ancora insufficiente in alcuni casi, per esempio nei pazienti che hanno forme di glioma maligno. È principalmente in questi casi che la spettroscopia a risonanza magnetica (MRS) e l’imaging spettroscopico (MRSI) hanno un ruolo importante. Gli spettri MR (di MRS e MRSI) forniscono preziose informazioni biochimiche attraverso le quali è possibile ottenere precise firme metabolomiche. Poiché queste informazioni sono molto ricche di contenuti e in genere difficili da interpretare da parte dei medici, ci affidiamo a tecniche di riconoscimento dei pattern, che si sono rivelate in grado di migliorare la precisione della diagnosi. Gli attuali metodi di riconoscimento dei pattern però possono essere ancora migliorati in modo da poter aiutare nei casi più complessi e fornire risultati migliori. Gli scienziati del progetto BAYESIANMULTIMODALMR (Multimodal analysis of MR data using Bayesian methods) hanno proposto una soluzione che usa le tecniche di riconoscimento dei pattern per integrare i dati ottenuti da MRI e MRSI. Più in particolare, hanno ulteriormente migliorato l’approccio di fattorizzazione a matrice non negativa (NMF) per la delineazione del tumore nel settore neuro-oncologico usando informazioni anatomiche già conosciute del tumore fornite dalla MRI. La metodologia sviluppata dal team per la segmentazione del tumore al cervello permette un’analisi individuale dei pazienti che ne sono affetti, il che significa che evita la contaminazione causata da sovrapposizioni tra soggetti. Permette inoltre di usare solo regioni parziali in modo che le zone di incertezza siano escluse durante la segmentazione iniziale. I test effettuati con dati provenienti da topi affetti da tumore al cervello hanno dimostrato la fattibilità di integrare informazioni di MRI nell’estrazione della fonte nei dati di MRSI. I ricercatori hanno sviluppato anche un approccio bayesiano basato sulla NMF per selezionare automaticamente le fonti rilevanti usando la strategia greedy. Questa strategia aiuta a eliminare i dati ridondanti e doppi. I dati simulati e reali compilati dal progetto europeo INTERPRET sono stati usati per test e verifiche. Un altro sviluppo chiave è stato un metodo per estrarre segnali significativi, che possono essere usati per la classificazione del tumore. Questi segnali si riferiscono al tessuto sano, alla risposta del tumore al cervello alla terapia e ai tumori al cervello non curati o refrattari. Le immagini nosologiche generate hanno dimostrato l’utilità di questo metodo per la classificazione delle malattie e per la determinazione della reazione del tumore alla terapia. I risultati della ricerca sono stati divulgati ampiamente in occasione di conferenze di primo piano e in pubblicazioni internazionali, raggiungendo circa 13 pubblicazioni/comunicazioni sottoposte a revisione paritaria. L’applicazione dei metodi sviluppati in questo studio permetterebbe l’integrazione di dati da varie modalità di imaging per un’efficace diagnosi della malattia, la classificazione del tumore al cervello e il monitoraggio del paziente. Questo metodo potrebbe essere adattato anche per la diagnosi di altri disturbi neurologici difficili da rilevare.
Parole chiave
Metodi bayesiani, tumori al cervello, MRI, imaging spettroscopico, BAYESIANMULTIMODALMR
