Predizione della risposta alla terapia di metastasi epatiche da CRC attraverso lo sviluppo di un biomarcatore basato sul rapporto tra tessuto sano e tessuto tumorale estratto da immagini CT = Prediction of the response to therapy of CRC liver metastasis through the development of a biomarker based on the relationship between the healthy tissue and the cancer tissue extracted from CT images

Lo scopo del lavoro di tesi è stato lo sviluppo di un biomarcatore per la predizione della risposta alla terapia di metastasi epatiche in pazienti affetti da cancro del colon-retto (CRC) trattati con FOLFOX o FOLFIRI. I pazienti a disposizione appartenevano a due centri differenti: l’ASST Grande Ospedale Metropolitano Niguarda e l’Istituto Candiolo-IRCCS. Utilizzando le scansioni CT al baseline e le segmentazioni manuali a disposizione, sono state estratte le features radiomiche relative alla porzione di fegato sano e al tessuto tumorale. Successivamente, sono state calcolate le features deltaradiomiche come differenza tra i due tessuti per le 243 metastasi incluse nello studio. In una prima analisi le features deltaradiomiche sono state estratte da immagini 3D originali; successivamente, sono state utilizzate le immagini standardizzate attraverso l’algoritmo Nyul-Udupa, al fine di evidenziare la differenza tra i tessuti. Infine, si sono analizzate le features deltaradiomiche armonizzate tramite ComBat, con l’obiettivo di ridurre la variabilità tra i due centri. Sono state effettuate diverse prove, utilizzando per tutte le analisi gli stessi metodi di Feature Selection (FS) e classificatori. Il centro Niguarda è stato utilizzato come Construction Set e suddiviso in Training e Test Set utilizzando clustering con dendrogramma o con reti Self Organizing Map. Per la validazione è stato utilizzato l’Istituto Candiolo. L’allenamento è stato effettuato per le seguenti combinazioni metodo di FS-classificatore: Random Forest (RF) con feature selection basata sull’importance, classificatore Bayesiano con feature selection tramite Algoritmi Genetici (GA), classificatore Bayesiano, Support Vector Machine e K-Nearest Neighbors con le features selezionate dall’algoritmo Quick Reduct (QRA), dall’Analysis of Variance (ANOVA) e da 4 diversi metodi basati su ranking: Chi-Square, minimum Redundancy Maximum Relevance, coefficiente di correlazione di Pearson e coefficiente di correlazione di Spearman. Il Response Evaluation Criteria in Solid Tumors (RECIST) a 8 mesi dall’inizio del trattamento è stato utilizzato come riferimento per valutare la capacità di predizione dei diversi algoritmi di Machine Learning. Per ciascuna delle prove, le prestazioni sono state valutate in termini di percentuale di corretti classificati calcolando accuratezza, sensibilità e specificità. Per il classificatore RF si è osservato il fenomeno di overfitting. Per tutti i classificatori allenati con le features selezionate dal QRA e da ANOVA non è mai stata raggiunta un’accuratezza superiore al 65% sul Validation Set. Attraverso la combinazione GA-classificatore Bayesiano allenato sulle features deltaradiomiche post ComBat, sono state ottenute sensibilità e specificità rispettivamente pari all’84% e all’82% sul Validation Set. Questo classificatore ha permesso di ottenere buone prestazioni anche in combinazione con le features deltaradiomiche non armonizzate selezionate dal metodo Chi-Square, ottenendo sensibilità pari al 91%, specificità del 67% e accuratezza 79% sul Validation Set. Tali valori di accuratezza non sono stati raggiunti per i classificatori allenati con le features radiomiche. In alcuni casi, comunque, l’utilizzo della deltaradiomica non ha aumentato la capacità predittiva degli algoritmi. Data la ridotta numerosità delle metastasi e le difficoltà dovute alla natura multicentrica del problema in esame, i risultati ottenuti costituiscono comunque una buona partenza per ulteriori analisi e approfondimenti.