• Carcinoma epatocellulare
• Machine Learning
• Predizione della risposta
• Radiomica
• TARE

Il carcinoma epatocellulare (HCC) rappresenta una delle principali cause di mortalità oncologica, rendendo necessarie nuove metodiche predittive e terapeutiche per migliorare la gestione clinica. Scopo di questa tesi è sviluppare un modello di machine learning basato sull’analisi radiomica delle TC diagnostiche e sul confronto con la risposta al trattamento dopo radioembolizzazione transarteriosa (TARE), al fine di individuare parametri predittivi di efficacia terapeutica. Sono stati inclusi 95 pazienti con HCC sottoposti a TC diagnostica e successivamente a TARE. Le acquisizioni sono state effettuate con protocolli multifase con acquisizione di immagini basali e a seguito della somministrazione di mezzo di contrasto iodato, mentre la TARE è stata eseguita secondo i protocolli standardizzati. Le immagini estratte sono state segmentate utilizzando il software 3DSlicer, creando delle maschere per le lesioni trattate in fase arteriosa ed in fase venosa. La risposta al trattamento è stata valutata con imaging di follow-up a 3 mesi secondo i criteri mRECIST e la presenza o meno di devascoalrizzazione della lesione. Il modello è stato sviluppato con cross-validation per stimarne le performance. La popolazione comprendeva 86 uomini e 9 donne, età mediana 69 anni; 73 pazienti (76,8%) sono risultati responder, mentre 22 (23,2%) non responder. Il modello è risultato avere AUC-ROC di 0,52 per la segmentazione in fase arteriosa e di 0,40 per la segmentazione in fase venosa. In conclusione, anche la radiomica, come molti altri approcci utilizzati in passato, non è stata in grado di dare predizioni, e quindi di indirizzare il trattamento, per HCC.