ANALISI E INTERPRETAZIONE DELLE CARATTERISTICHE RADIOMICHE DA MRI CEREBRALI PER LA CLASSIFICAZIONE DEI PAZIENTI CON DEMENZA: RIPRODUCIBILITÀ E IMPATTO DEI METODI DI ELABORAZIONE

Le malattie neurodegenerative sono tra le principali cause di demenza, una sindrome clinica sempre più emergente per la sanità pubblica, con incidenza in rapido aumento nella popolazione anziana. La diagnosi precoce è fondamentale, ma le metodologie attuali, basate su valutazioni cliniche qualitative e poco standardizzate, possono ritardare l’identificazione della patologia. In questo contesto, la radiomica applicata alle immagini di risonanza magnetica (MRI) cerebrali rappresenta un approccio innovativo per individuare precocemente i segni di neurodegenerazione, offrendo una valutazione quantitativa e automatizzata. Tuttavia, l’affidabilità clinica della radiomica dipende fortemente dalla riproducibilità delle caratteristiche, spesso influenzata dalle tecniche di acquisizione e pre-processing delle immagini. Utilizzando il dataset pubblico OASIS, composto da MRI T1-pesate di soggetti con e senza demenza, è stato sviluppato un workflow che comprende: pre-processing, segmentazione automatica tramite reti neurali convoluzionali 3D, estrazione delle caratteristiche radiomiche e costruzione di modelli di machine learning. Questo studio analizza l’impatto di tre pipeline di pre-processing sulla stabilità delle caratteristiche, valutata tramite il Coefficiente di Correlazione Intraclasse (ICC) e il Coefficiente di Concordanza di Classe (CCC), al fine di identificare la pipeline più riproducibile e valutare quale gruppo, tra soggetti con e senza demenza, presenti maggiore stabilità. Le regioni segmentate includono strutture coinvolte nei processi neurodegenerativi (ippocampo,lobi frontali e temporali), oltre al ponte, utilizzato come riferimento stabile. Sulle caratteristiche estratte sono stati costruiti modelli di machine learning per classificare automaticamente i soggetti con e senza demenza, testando diverse combinazioni di algoritmi, strategie di selezione delle caratteristiche e tecniche di cross-validation. L’obiettivo è stato identificare il modello più efficace e le regioni cerebrali più informative per la discriminazione. Le prestazioni sono state valutate tramite accuratezza, sensibilità, specificità e AUC-ROC. Un’analisi di Explainable AI ha individuato le caratteristiche più influenti nella predizione della demenza, favorendo la trasparenza del modello e la sua applicabilità clinica. I risultati mirano a standardizzare le pipeline radiomiche nel neuroimaging e a integrare strumenti intelligenti utili al supporto della diagnosi precoce della demenza.