Predizione rischio di recidiva e profilo mutazionale dei tumori stromali gastrointestinali tramite machine learning applicato ad immagini TC = Risk stratification and mutational profile prediction of GastroIntestinal Stromal Tumors with machine learning applied to CT images

La classificazione del rischio di recidiva unita all’analisi mutazionale sono necessarie per predire l’efficacia di un’eventuale terapia adiuvante farmacologica e per stabilire un piano d’azione ottimale per la cura dei pazienti affetti da tumore stromale gastrointestinale (GIST). L’obiettivo di questo lavoro di tesi è quello di costruire due classificatori che siano in grado di ottenere tali parametri partendo dalle sole features radiomiche delle immagini TC, evitando così di dover sottoporre il paziente a biopsia. Sono state estratte 107 features radiomiche da immagini TC di 8 pazienti aventi una doppia segmentazione tumorale (svolta da due diversi operatori); tale doppia segmentazione è stata utilizzata per effettuare una prima scrematura di tali features al fine di individuare le più stabili inter-segmentazione, passando così da 107 features ad 86. Si è proceduto con l’estrazione delle features radiomiche per tutti gli 82 pazienti affetti da GISTs arruolati per questo studio, ottenendo così il dataset di partenza. Sono state svolte varie prove per valutare diversi metodi di feature selection e classificatori al fine di individuare la combinazione che fornisse risultati migliori sulla predizione del rischio e della mutazione genetica. Per ogni classificatore è stato svolto un processo di tuning dei parametri per ottenere il setting ideale, per poi validare il modello scelto sfruttando un validation set esterno composto da pazienti non inclusi nel processo di tuning.