In un nuovo studio pubblicato sulla rivista Cancer Discovery viene descritta una nuova metodologia di analisi del sangue che utilizza il ML per rilevare precocemente il cancro ovarico.
Il tumore ovarico è la principale causa di morte tra i tumori ginecologici e occupa il quinto posto tra le neoplasie nelle donne nei Paesi sviluppati. Si stima che ogni anno in Europa vengano diagnosticati circa 65.000 casi, di cui quasi 5.000 in Italia. Nonostante l’incidenza relativamente bassa, il tumore ovarico presenta un’alta mortalità. Questa malattia può colpire donne di tutte le età, ma è più comune tra quelle di età compresa tra i 50 e i 65 anni. La forma più comune di cancro ovarico è il cancro ovarico epiteliale, suddiviso in quattro sottotipi principali: seroso, a cellule chiare, mucinoso e endometrioide. La sopravvivenza a cinque anni è significativamente migliore per le pazienti con malattia localizzata (93% per il stadio I e 75% per il stadio II) rispetto a quelle con malattia metastatica (31% per gli stadi III e IV).
Uno dei motivi principali per cui il cancro ovarico ha tassi di mortalità così elevati è la sua diagnosi tardiva, poiché i sintomi sono aspecifici nelle fasi iniziali e gli attuali metodi di screening non sono purtroppo sufficientemente efficaci. I biomarcatori esistenti, come il CA-125, possono migliorare l’identificazione di stadi precoci, ma non hanno portato a benefici significativi in termini di sopravvivenza, principalmente a causa della loro limitata sensibilità per tutti i tipi di cancro ovarico. A questo si aggiunge la necessità clinica secondaria di classificare a livello pre-operatorio le masse ovariche come benigne o maligne. Attualmente, sono stati proposti vari biomarcatori e modelli predittivi, ma la loro accuratezza e facilità d’uso varia. Così, i ricercatori hanno preso in esame non solo due biomarcatori proteici già noti come CA-125 e HE4, ma utilizzando anche un nuovo approccio che analizza il cfDNA, ovvero una raccolta di frammenti di DNA libero circolante.
Gli studiosi hanno analizzato campioni di sangue di 591 donne suddivise in tre gruppi: 94 con cancro ovarico, 203 con masse benigne e 182 senza lesioni ovariche. Il gruppo di validazione comprendeva ulteriori 40 pazienti con cancro ovarico, 50 con masse benigne e 22 senza lesioni.
Tramite un modello di ML detto di: regressione logistica penalizzata (PLR), gli autori dello studio, sono riusciti a costruire classificatori ad alte prestazioni riducendo il rischio di catturare dati non veritieri, ma selezionando solo le caratteristiche più informative, come le caratteristiche di frammentazione cfDNA e i biomarcatori proteici. Così facendo, hanno scoperto che quando utilizzato da solo, il biomarcatore CA-125 ha mostrato una sensibilità limitata per il rilevamento del cancro ovarico nei diversi stadi, con valori che andavano dal 34% per tumori allo stadio I al 72 % con il metodo combinato. Inoltre, il profilo di frammentazione del cfDNA ha rivelato cambiamenti specifici nei pazienti con cancro ovarico. I frammenti di cfDNA erano omogenei tra le donne sane e con masse benigne, mentre i soggetti con tumore mostravano una maggiore eterogeneità sia tra pazienti che tra regioni genomiche diverse. In aggiunta, il modello è stato testato per distinguere tra tumori ovarici e masse benigne, mostrando una accuratezza dell’88% indicano che il metodo può essere utile in contesti diagnostici per evitare interventi chirurgici non necessari.
Ancora una volta l’approccio multi-dimensionale si è rilevato promettente nel prevedere con alte prestazioni, come in questo caso, il cancro ovarico e gli autori suggeriscono che la combinazione di analisi di cfDNA e misurazioni proteiche possa offrire informazioni più complete rispetto all’uso di uno solo di questi metodi.
Tuttavia, gli autori riconoscono alcuni limiti dello studio, come la dimensione ridotta dei campioni per alcuni sottotipi di tumore ovarico, che potrebbero limitare la generalizzabilità dei risultati, sottolineando che è infatti necessaria una validazione in studi più ampi e prospettici.
Fonte: Popular Science
