Applicazione di algoritmi di AI ad immagini TC per la predizione della risposta alla terapia dei tumori GIST = Application of AI algorithms to CT images for predicting the response to therapy in GIST tumors

Lo scopo di questo studio è fornire un sistema CAD non invasivo in grado di predire la risposta alla terapia farmacologica con imatinib dei tumori GIST. Il sistema sfrutta l’utilizzo di diversi approcci di Machine Learning (ML) su immagini TC provenienti dall’IRCCS di Candiolo e dall’ospedale universitario Paolo Giaccone di Palermo. Lo studio prevede l’estrazione di feature radiomiche di secondo ordine da regioni più piccole del tumore (di dimensione 7x7 pixel) e di comprendere se queste feature estratte a livello microscopico siano in grado di predire il tipo di mutazione presente nel tumore GIST. Sono stati implementati tre approcci diversi per predire la sensibilità al farmaco imatinib. Il primo approccio è basato sulla classificazione delle ROI più piccole interne alla metastasi combinando diversi metodi di feature selection a classificatori; dopo sono stati testati diversi metodi di aggregazione delle ROI nel paziente per poter predire la classe d’appartenenza. Il secondo approccio è basato sull’implementazione dell’algoritmo Bag of Words (approccio di ML non supervisionato) che si basa sulla clusterizzazione tramite kMeans di ogni singola ROI e sulla costruzione di visual words che sono descritte dal numero di occorrenze in ogni cluster (visual word) per paziente. Le visual words sono state utilizzate come nuove feature per l’allenamento di tre diversi classificatori. L’ultimo approccio si basa sempre sul Bag of Words, ma i classificatori finali sono stati allenati sia sulla base delle visual words che estraendo feature di primo e secondo ordine dall’intera metastasi. Nell’ultimo approccio sono stati combinati due metodi di feature selection a tre diversi classificatori. Il miglior modello di ML è stato ottenuto dall’approccio basato sull’algoritmo Bag of Words combinato a feature dell’intero tumore. Le prestazioni del modello raggiungono il 91%, 63%, 87% e 71% nel validation set, in termini di accuracy on sensitive patients, accuracy on non responsive patients, precision on sensitive patients e precision on non responsive patients. Al contrario l’approccio basato sulla classificazione delle singole ROI non ha prodotto risultati soddisfacenti. Le feature estratte da regioni piccole dei tumori non sono state da sole significative nella predizione tumorale, ma hanno acquisito significato se aggregate nell’intero volume tumorale attraverso l’approccio di Bag of Words. Questo nuovo approccio aggiunge informazioni sull’eterogeneità tumorale dei GIST nella predizione della terapia farmacologica.