• carcinoma renale
• radiomics
• tc

L'oncocitoma renale e il carcinoma a cellule chiare sono due tumori primari del parenchima renale ed hanno caratteristiche e comportamento diversi. L’oncocitoma è un tumore benigno e rappresenta una piccola parte dei tumori renali. Il carcinoma a cellule chiare è il tipo più frequente di carcinoma del rene, ed è un tumore aggressivo, presentandosi spesso metastatico già al momento della diagnosi.
Nonostante le differenze cliniche, questi due tipi di tumore possono risultare estremamente complessi da distinguere con le tecniche di imaging convenzionali, soprattutto se di piccole dimensioni. Una corretta diagnosi differenziale è necessaria per garantire al paziente il management più appropriato.
La radiomica, ovvero l’estrazione di migliaia di features quantitative invisibili ad occhio nudo a partire da immagini radiologiche, ha già dimostrato di potere avere un ruolo nella diagnosi differenziale tra tumori benigni e maligni in altri distretti.
Questo lavoro di tesi ha l’obbiettivo di sviluppare un modello di machine-learning basato su features di radiomica estratte dalle diverse fasi di acquisizione di una TC eseguita in condizioni basali e dopo somministrazione di mezzo di contrasto iodato capace di distinguere in modo accurato oncocitoma renale e carcinoma a cellule chiare di piccole dimensioni.
Sono stati inclusi in questo studio retrospettivo 52 pazienti sottoposti a TC dell’addome con mezzo di contrasto preoperatoria, di cui sono risultati all’esame patologico 13 oncocitomi e 39 carcinomi a cellule chiare. In tutte le fasi acquisite e disponibili sono state segmentate le lesioni utilizzando il software ITK-SNAP 3D. A partire dai volumi segmentati sono state estratte le features di radiomica utilizzando il software Pyradiomics. Sono stati realizzati 7 modelli (basale, arterioso, venoso, basale + arterioso, basale + venoso, venoso + arterioso e basale + venoso + arterioso). Ciascun modello è stato sottoposto alla Cross Validation tramite tecnica di Monte Carlo e sono stati suddivisi in set di dati di training, validation e test, ripetuta per 300 volte.
Il modello con le migliori performance è risultato quello che combinava features estratte dalla fase arteriosa e venosa. Il modello che utilizzava una singola fase e che ha ottenuto la migliore performance nella differenziazione tra oncocitoma renale e carcinoma a cellule chiare di piccole dimensioni è risultato quello basato su features estratte dalla fase arteriosa.