L’estensione extranodale (ENE) rappresenta da anni uno dei principali fattori prognostici sfavorevoli nei carcinomi squamosi del distretto testa-collo. Nel carcinoma orofaringeo HPV-positivo, tuttavia, il suo ruolo è rimasto a lungo controverso, tanto da non essere incluso nella classificazione TNM dell’AJCC 8ª edizione. Negli ultimi anni l’attenzione si è progressivamente spostata sull’ENE radiologica (iENE), sempre più riconosciuta come indicatore di aggressività biologica. In questo contesto si inserisce lo studio di Dayan et al., recentemente pubblicato su JAMA Otolaryngology–Head & Neck Surgery, che propone un modello basato sull’intelligenza artificiale per la rilevazione automatica della iENE e ne analizza l’impatto prognostico.

Disegno dello studio e popolazione analizzata

Si tratta di uno studio retrospettivo monocentrico che include 397 pazienti con carcinoma orofaringeo HPV-positivo e malattia linfonodale clinicamente evidente (cN+), trattati con chemioradioterapia tra il 2009 e il 2020. Tutti i pazienti sono stati sottoposti a TC di stadiazione e pianificazione pre-trattamento.
Il modello proposto si basa su un processo articolato in due fasi: inizialmente l’identificazione e la segmentazione automatica del linfonodo patologico mediante nnU-Net, un framework open-source di deep learning progettato per la segmentazione di immagini medicali, in grado di auto-configurare i parametri di apprendimento in base al dataset fornito; successivamente, la classificazione della iENE attraverso l’analisi radiomica delle caratteristiche linfonodali e l’impiego di algoritmi di machine learning.
La popolazione studiata è numerosa, clinicamente omogenea e caratterizzata da un follow-up adeguato, elementi che contribuiscono a rafforzare la solidità complessiva dei risultati.

Risultati principali

Sebbene il modello di intelligenza artificiale dimostri una buona capacità discriminativa nel riconoscere la iENE, l’aspetto di maggiore interesse clinico riguarda l’associazione tra iENE predetta dall’AI e gli outcome oncologici. I pazienti classificati come iENE-positivi presentavano infatti una overall survival (OS), una recurrence-free survival (RFS) e un distant control (DC) significativamente peggiori rispetto ai pazienti iENE-negativi. È inoltre rilevante osservare come la iENE identificata dal modello risulti un predittore prognostico più solido rispetto alla valutazione radiologica convenzionale, anche quando quest’ultima è effettuata da radiologi con specifica esperienza nel distretto testa-collo, mantenendo significatività nelle analisi multivariate.

Punti di forza dello studio

Uno dei principali punti di forza di questo lavoro è l’approccio pragmatico. Il modello utilizza immagini TC routinarie e si colloca in uno scenario clinico reale, riducendo la dipendenza dall’expertise del singolo neuroradiologo che, come sottolineato dagli autori, non è sempre disponibile in tutti i centri. Inoltre, la scelta di utilizzare la iENE come endpoint intermedio, anziché la ENE patologica (pENE), riproduce in modo fedele la pratica clinica quotidiana, soprattutto nei pazienti trattati con approccio non chirurgico. La correlazione osservata tra iENE e rischio di metastasi a distanza, già descritta in precedenti contributi della letteratura, rafforza ulteriormente l’ipotesi che la iENE rappresenti un marker di aggressività biologica clinicamente rilevante.

Limiti e aspetti da interpretare con cautela

Lo studio presenta inevitabilmente alcune limitazioni. Il disegno retrospettivo e monocentrico solleva interrogativi sulla trasferibilità dei risultati ad altri contesti clinici, rendendo auspicabile una validazione esterna del modello. Inoltre, l’analisi si concentra sul linfonodo patologico di maggiori dimensioni, semplificando una realtà biologicamente più complessa in cui la iENE può presentarsi in forma multifocale. Va infine considerato che il riferimento utilizzato per l’addestramento del modello resta la valutazione radiologica e non il dato istopatologico, con il rischio di perpetuare eventuali bias interpretativi già presenti nella lettura delle immagini.

Implicazioni cliniche e messaggio finale

Questo studio assume particolare rilevanza alla luce delle recenti modifiche della classificazione TNM. Con l’entrata in vigore della 9ª edizione AJCC/UICC nel gennaio 2026, la presenza di iENE comporta ufficialmente un upstaging della categoria N, sancendo il riconoscimento formale del suo valore prognostico. In questo scenario, strumenti in grado di standardizzare e rendere più riproducibile la valutazione della iENE potrebbero avere un impatto concreto nella selezione dei pazienti, in particolare nell’ambito dei protocolli di de-escalation terapeutica. Pur non essendo ancora pronti per un’applicazione clinica immediata, modelli come quello proposto da Dayan et al. rappresentano un passo credibile verso un’integrazione più razionale dell’intelligenza artificiale nel processo decisionale in oncologia testa-collo.

 

Link alle fonti 

1. Union for International Cancer Control 9th Edition TNM Classification for Head and Neck Malignancies: What is New? - PMC. 

2.  9th Edition of the UICC TNM classification of Malignant Tumours now available! | UICC

3.  AJCC Version 9 Cancer Staging System | ACS

 

 

Giuseppe Trisolini

24 Settembre 2026

---

HPV LINFONODI A.I.