PREDIZIONE DELLA RISPOSTA ALLA RADIO-CHEMIOTERAPIA NEL CARCINOMA POLMONARE NON A PICCOLE CELLULE (NSCLC) MEDIANTE RETI NEURALI CONVOLUZIONALI SU IMMAGINI TC CON ATTENTION LEARNING

Il carcinoma polmonare non a piccole cellule (NSCLC) rappresenta una delle principali cause di mortalità a livello mondiale. L’introduzione dell’intelligenza artificiale (AI) in ambito medico ha favorito lo sviluppo di nuove soluzioni alle numerose sfide aperte nel settore. Tra queste, la predizione della risposta terapeutica costituisce un obiettivo fondamentale nella gestione personalizzata del trattamento oncologico, in particolare per la radio-chemioterapia. In questo lavoro si affronta lo sviluppo e l’uso di una rete neurale convoluzionale (CNN) per la predizione binaria della risposta terapeutica nei pazienti affetti da NSCLC, utilizzando immagini TC pre-trattamento. Il modello è stato sviluppato integrando di tecniche di attention learning che consentono di concentrarsi sulle aree rilevanti delle immagini per una predizione più precisa. I risultati ottenuti mostrano che la CNN proposta raggiunge buone prestazioni in termini di accuratezza (0.909, IC 95%: [0.822; 0.991]), precisione (0.750, IC 95%: [0.704; 0.955], specificità (0.875, IC 95%: [0.863, 0.981]) e AUC (0.951, IC 95%: [0.867; 0.985]) sul test set, superando le prestazioni delle architetture preesistenti come ResNet (p = 0.035), DenseNet (p = 0.031) e ottenendo risultati comparabili con EfficientNet (p = 0.238), rispetto alla quale però risulta molto meno onerosa in termini di risorse computazionali per il training e per l’inferenza. Inoltre, l’interpretabilità del modello è stata migliorata tramite l’uso di Grad-CAM, che ha permesso di visualizzare le aree focalizzate dalla rete, contribuendo a una maggiore trasparenza nei risultati predittivi. Questo approccio rappresenta un passo significativo verso l’adozione di modelli predittivi basati su intelligenza artificiale nella pratica clinica, con potenziali benefici per la personalizzazione del trattamento e il miglioramento dei tempi decisionali.