Intelligenza artificiale applicata alla radiomica: diagnostica differenziale dei tumori cerebrali intrassiali e risvolti clinici nella loro gestione neurochirurgica

Glioblastomas (GBM) represent the most common primary malignant brain tumors in adults, with an estimated incidence of 3–4 cases per 100,000 population per year and a poor prognosis despite therapeutic advances. Primary central nervous system lymphomas (PCNSL), although rarer, show an increasing incidence and require a fundamentally different therapeutic approach, primarily based on high-dose chemotherapy and radiotherapy. In this context, an accurate and early differential diagnosis between GBM and PCNSL is crucial to ensure personalized treatment strategies. The aim of our study was to develop and train an artificial intelligence (AI) system based on radiomic analysis capable of differentiating GBM from primary cerebral lymphomas. The model was trained exclusively using contrast-enhanced T1-weighted magnetic resonance imaging (MRI), extracting advanced radiomic features inspired by current literature models. The AI system achieved a diagnostic sensitivity comparable to, and in some cases exceeding, that of experienced neuroradiologists, consistent with recent reports on the role of AI in neuro-oncologic imaging. These findings suggest the potential utility of AI as a decision-support tool in controlled clinical settings and as a complementary aid to expert interpretation in daily practice. Despite relying solely on a single MRI sequence, the model demonstrated promising performance, indicating that the inclusion of additional multiparametric MRI sequences could further enhance diagnostic accuracy in future developments.

I glioblastomi (GBM) rappresentano i tumori cerebrali maligni primari più comuni negli adulti, con un’incidenza stimata di 3–4 casi per 100.000 abitanti per anno e una prognosi sfavorevole nonostante i progressi terapeutici. I linfomi primitivi del sistema nervoso centrale (PCNSL), sebbene più rari, mostrano un’incidenza in aumento e richiedono un approccio terapeutico fondamentalmente diverso, basato principalmente su chemioterapia ad alte dosi e radioterapia. In questo contesto, una diagnosi differenziale accurata e precoce tra GBM e PCNSL è cruciale per garantire strategie terapeutiche personalizzate. L’obiettivo del nostro studio è stato sviluppare e addestrare un sistema di intelligenza artificiale (AI) basato su analisi radiomica, in grado di differenziare i GBM dai linfomi cerebrali primitivi. Il modello è stato addestrato utilizzando esclusivamente immagini di risonanza magnetica (MRI) pesate in T1 con mezzo di contrasto, estraendo caratteristiche radiomiche avanzate ispirate ai modelli presenti nella letteratura attuale. Il sistema di AI ha raggiunto una sensibilità diagnostica paragonabile, e in alcuni casi superiore, a quella di neuroradiologi esperti, in linea con recenti evidenze sul ruolo dell’AI nell’imaging neuro-oncologico. Questi risultati suggeriscono una potenziale utilità dell’AI come strumento di supporto decisionale in contesti clinici controllati e come ausilio complementare all’interpretazione esperta nella pratica quotidiana. Nonostante l’utilizzo di una singola sequenza MRI, il modello ha dimostrato prestazioni promettenti, indicando che l’inclusione di ulteriori sequenze multiparametriche potrebbe migliorare ulteriormente l’accuratezza diagnostica negli sviluppi futuri.