Sviluppo di un CAD per la predizione della risposta terapeutica di tumori rettali su immagini MRI = CAD development for predicting the therapeutic response of rectal cancers based o MRI images

Lo scopo di questo studio è lo sviluppo di un CAD non invasivo per la predizione della risposta terapeutica di tumori rettali su immagini MRI. I dati in questione provengono da sei centri ospedalieri: l’Istituto Oncologico di Candiolo, l’ospedale Mauriziano di Torino, l’ospedale Molinette di Torino, l’ospedale Niguarda di Milano, l’ospedale San Raffaele di Milano e l’ospedale Santa Maria delle Grazie di Pozzuoli. Obiettivo ultimo dell’indagine condotta è attribuire, ad ogni singolo soggetto incluso nella popolazione iniziale la corretta classificazione, sfruttando le informazioni estratte dai volumi disponibili. In un primo momento si esamina l’incidenza delle tecniche di normalizzazione applicate in un caso, prima dell’estrazione delle feature e, nell’altro, a valle del processo di estrazione delle caratteristiche stesse, con l’intento di valutare l’impatto della normalizzazione sulla similarità delle feature in analisi. I risultati ottenuti da questo studio preliminare hanno definito le tecniche di normalizzazione più efficienti, successivamente applicate al dataset fornito in input ad appositi algoritmi di Machine Learning (ML). Sono stati implementati due differenti approcci. Il primo approccio implica l’utilizzo di opportune combinazioni di metodi di feature selection (mRMR, NCA, Ranking, Affinity Propagation, Stepwise Regression) e classificatori (kNN, SVM, RF, DT, Bayes, Ensemble) su un dataset composto da feature di natura radiomica. Tale approccio è stato applicato, sia ad un contesto volumetrico, considerando l’intero volume associato al soggetto, sia ad un contesto bidimensionale, considerando le singole slice in cui ogni volume è stato adeguatamente suddiviso. Nel caso bidimensionale sono state quindi valutate le potenzialità di quattro differenti metodi di aggregazione delle fette al fine di attribuire al paziente la corretta classificazione. Il secondo approccio, invece, valuta l’impatto di un recente filone di studi relativo all’estrazione delle deep feature a partire da reti convoluzionali. In questa circostanza le deep feature sono estratte a valle di ogni layer di convoluzione della UNet precedentemente utilizzata per la segmentazione dei volumi. I dati così ottenuti sono poi elaborati tramite i metodi di feature selection e classificazione sopra citati. In un secondo momento, sono state valutate le potenzialità dell’Elastic Net, una rete in grado di gestire un elevato quantitativo di dati con la peculiarità di combinare due differenti metodi di regolarizzazione: la regolarizzazione L1 (Lasso) e la regolarizzazione L2 (Ridge). In questo caso la rete è stata applicata separatamente ai dati già sfruttati nel primo e nel secondo approccio, per poi valutarne una combinazione. Infine, i risultati ottenuti con i differenti metodi implementati (radiomica, deep feature ed Elastic Net), sono stati aggregati tramite Majority Voting per definire una classificazione univoca per ogni soggetto appartenente alla popolazione iniziale. A livello globale si registrano prestazioni incoraggianti sul set di validazione interno, tendenza non sempre confermata nel caso del set di validazione esterno. Inoltre, le deep feature nella migliore combinazione feature selection/classificatore restituiscono dei risultati promettenti se combinate con i metodi di ML. Ciononostante, in virtù di quanto conseguito da ciascuno dei metodi implementati e, vista la similarità delle performance ottenute, è possibile asserire che l’analisi della sola radiomica non restituisce outcome ottimali.