Notizia

Oct 13, 2023

Metodi di Machine Learning per Biomarcatori Radiomici Quantitativi

Scientific Reports volume 5,

Scientific Reports volume 5, numero articolo: 13087 (2015) Citare questo articolo

Accessi 34k

600 citazioni

16 Altmetrico

Dettagli sulle metriche

La radiomica estrae ed estrae un gran numero di caratteristiche di imaging medico quantificando le caratteristiche fenotipiche del tumore. Approcci di apprendimento automatico altamente accurati e affidabili possono guidare il successo delle applicazioni radiomiche nelle cure cliniche. In questo studio radiomico, quattordici metodi di selezione delle caratteristiche e dodici metodi di classificazione sono stati esaminati in termini di prestazioni e stabilità nel predire la sopravvivenza globale. Un totale di 440 caratteristiche radiomiche sono state estratte dalle immagini di tomografia computerizzata (CT) pre-trattamento di 464 pazienti con cancro del polmone. Per garantire la valutazione imparziale dei diversi metodi di apprendimento automatico, sono state utilizzate implementazioni disponibili al pubblico insieme alle configurazioni dei parametri segnalate. Inoltre, abbiamo utilizzato due coorti radiomiche indipendenti per la formazione (n = 310 pazienti) e la validazione (n = 154 pazienti). Abbiamo identificato che il metodo di selezione delle caratteristiche basato sul test di Wilcoxon WLCX (stabilità = 0,84 ± 0,05, AUC = 0,65 ± 0,02) e un metodo di classificazione random forest RF (RSD = 3,52%, AUC = 0,66 ± 0,03) avevano le prestazioni prognostiche più elevate con elevata stabilità contro perturbazione dei dati. La nostra analisi della variabilità ha indicato che la scelta del metodo di classificazione è la fonte più dominante di variazione della performance (34,21% della varianza totale). L’identificazione di metodi di apprendimento automatico ottimali per le applicazioni radiomiche è un passo cruciale verso biomarcatori radiomici stabili e clinicamente rilevanti, fornendo un modo non invasivo per quantificare e monitorare le caratteristiche fenotipiche del tumore nella pratica clinica.

Per “oncologia di precisione” si intende la personalizzazione della cura del cancro, in cui le pratiche e/o le terapie vengono adattate ai singoli pazienti. Tale processo di personalizzazione può massimizzare il successo degli interventi preventivi e terapeutici con effetti collaterali minimi. La maggior parte della ricerca correlata all’oncologia di precisione si è concentrata sulla caratterizzazione molecolare dei tumori utilizzando approcci basati sulla genomica, che richiedono l’estrazione dei tessuti mediante biopsie tumorali. Sebbene diversi approcci basati sulla genomica siano stati applicati con successo in oncologia clinica1, esistono limitazioni intrinseche ai test basati sulla biopsia. I tumori sono spazialmente e temporalmente eterogenei e sono spesso necessarie biopsie tumorali ripetute, che aumentano il rischio per un paziente, per catturare l'eterogeneità molecolare dei tumori. Queste sfide etiche e cliniche legate ai test basati sulla biopsia possono essere affrontate mediante l’imaging medico, che è una pratica di routine per la diagnosi e la stadiazione del cancro in oncologia clinica. A differenza delle biopsie, l’imaging medico non è invasivo e può fornire informazioni sull’intero fenotipo del tumore, inclusa l’eterogeneità intratumorale. Inoltre, i recenti progressi nelle macchine di acquisizione di immagini ad alta risoluzione e nell'hardware computazionale consentono la quantificazione dettagliata ed efficiente delle caratteristiche fenotipiche del tumore. Pertanto, l’imaging medico offre opportunità senza precedenti per l’oncologia di precisione.

La "radiomica", un campo emergente e promettente, ipotizza che l'imaging medico fornisca informazioni cruciali sulla fisiologia del tumore, che potrebbero essere sfruttate per migliorare la diagnostica del cancro2. Fornisce una quantificazione completa dei fenotipi tumorali estraendo ed estraendo un gran numero di caratteristiche di imaging quantitativo3. Numerosi studi hanno studiato varie caratteristiche radiomiche in termini di capacità prognostiche o predittive e affidabilità in diversi contesti clinici4,5,6,7,8,9,10. Diversi studi hanno dimostrato le capacità discriminanti delle caratteristiche radiomiche per la stratificazione dell'istologia del tumore6, dei gradi o stadi del tumore11 e degli esiti clinici8,12,13. Inoltre, alcuni studi hanno riportato l'associazione tra caratteristiche radiomiche e pattern di espressione genica sottostante8,14,15.