Integrating radiomics and deep learning in cardiovascular imaging: a review of hybrid workflows

Cardiovascular diseases still represent the leading cause of death worldwide, highlighting the need to develop tools able to support timely diagnosis and more accurate risk stratification. In recent years, the rapid progress of artificial intelligence technologies and the increasing availability of imaging data have favored the development of advanced methodologies for the quantitative analysis of cardiovascular images. However, significant challenges remain, particularly regarding methodological standardization, model robustness, and generalizability of heterogeneous datasets. In this context, radiomics and deep learning have emerged as promising and complementary approaches. Radiomics enables the systematic extraction of quantitative features from medical images, while deep neural networks allow the automatic learning of abstract representations directly from the input data. The integration of these two technologies aims to combine their respective strengths while compensating for their individual limitations. This thesis presents a methodological review of recent studies adopting a combined approach between radiomics and deep learning in cardiovascular imaging. The analyzed studies were classified according to the adopted strategy, distinguishing between an integrated approach, characterized by feature fusion within a single predictive model, and a sequential workflow, in which the two methods usually play distinct roles within a structured pipeline. Although the number of available studies is still limited, the reported results seem promising. There are still common limitations, including small dataset sizes, limited external validation, and a lack of methodological standardization. Future developments should focus on improving reproducibility, using multicenter validation, and enhancing the real clinical application and translation of hybrid workflows.

Le malattie cardiovascolari rappresentano ancora la principale causa di mortalità a livello globale, rendendo fondamentale lo sviluppo di strumenti in grado di supportare una diagnosi tempestiva e una più accurata stratificazione del rischio. Negli ultimi anni, il rapido progresso delle tecnologie legate all’intelligenza artificiale e la crescente disponibilità di dati di imaging hanno favorito lo sviluppo di metodologie avanzate per l’analisi quantitativa delle immagini cardiovascolari. Tuttavia, vi sono ancora criticità legate alla standardizzazione dei metodi, alla robustezza dei modelli e alla loro validità generale su dataset eterogenei. In questo contesto, radiomica e deep learning si sono affermati come approcci promettenti e complementari. La radiomica consente l’estrazione sistematica di caratteristiche quantitative dalle immagini, mentre le reti neurali permettono l’apprendimento automatico di rappresentazioni astratte direttamente dai dati in input. L’integrazione di queste due tecnologie mira a combinare i rispettivi punti di forza, compensandone le limitazioni. La presente tesi propone una revisione degli studi recenti che adottano un approccio integrato tra radiomica e deep learning nell’ambito dell’imaging cardiovascolare. I lavori analizzati sono stati classificati in base alla strategia di combinazione adottata, distinguendo tra un approccio integrato caratterizzato dalla fusione delle caratteristiche all’interno di un unico modello predittivo, e un approccio che prevede un flusso sequenziale, in cui le due metodologie svolgono solitamente ruoli distinti all’interno del flusso. Sebbene il numero di studi disponibili sia ancora limitato, i risultati riportati appaiono promettenti. Rimangono comunque criticità comuni, quali la ridotta dimensionalità dei dataset, la limitata validazione esterna e l’assenza di standardizzazione metodologica. Futuri sviluppi dovrebbero concentrarsi sul miglioramento delle riproducibilità, sulla validazione multicentrica e sulla concreta applicazione e trasferibilità clinica dei workflow ibridi.