UTILIZZO DI METODICHE AI PER LA CREAZIONE DI MODELLI CLINICI PREVISIONALI CON IMAGING BIOMARKERS

Radiomics features are quantifiable metrics derived from imaging data, that become Quantitative Imaging Biomarkers (QIBs) if they demonstrate to hold a diagnostic or prognostic significance for patient outcomes following specific therapies. Despite extensive research in the field of radiomics, only a limited number of them achieve clinical applicability. To be integrated into clinical practice, it is essential to demonstrate their accuracy, precision and feasibility within a healthcare system, typically through validation in clinical trials, as we are currently implementing at the Cuneo core laboratory. Radiomics has shown prognostic value for the treatment of various lymphoma subtypes in small patient cohorts, with Metabolic Tumor Volume (MTV) emerging as particularly promising. Within my thesis project, I contributed to develop and make more efficient an automated workflow for the extraction of radiomic features from PET images acquired during the staging process. In particular, the key points of the workflow are the clinical database, the patients' PET images in DICOM format, the segmentation of the PET images, the extraction of radiomic features, and the predictive models. For automation, an organization of inputs and outputs was designed and implemented, which also includes the necessary data processing at each stage of the workflow to carry out the subsequent analyses. Additionally, an error handling system and a general controller were developed to allow detailed monitoring of the process status at each stage. Regarding the segmentation structures, the management of the DICOM-RT (DRT) format was introduced into the workflow, and preparations were made for the future introduction of deep learning algorithms for segmentation. Regarding radiomics, the introduction of PyRadiomics into the workflow was prepared, with the necessary interface between R (the language predominantly used for this project) and Python, and a comparative analysis was conducted between the radiomics results obtained with different tools. Within this framework we hence evaluated the prognostic value of Total Metabolic Tumor Volume (TMTV) in three lymphoma populations: Diffuse Large B-Cell Lymphoma (DLBCL), Follicular Lymphoma (FL), and advanced Hodgkin Lymphoma (HL). Specifically, we demonstrated that the new segmentation method proposed at the Menton conference—defining a lesion as having a Standardized Uptake Value (SUV) above 4—has equivalent prognostic value to previously published results using a threshold of 41% of SUVmax.

Le features di radiomica sono metriche quantitative derivate dalle immagini, che diventano Quantitative Imaging Biomarkers (QIBs) se dimostrano di avere un significato diagnostico o prognostico per i risultati clinici nei pazienti dopo terapie specifiche. Nonostante l’estensiva ricerca nel campo della radiomica, solo un numero limitato di questi biomarker raggiunge un’applicabilità clinica. Affinché essi siano integrabili nella pratica clinica, è essenziale dimostrare la loro accuratezza, precisione e applicabilità all’interno di un sistema sanitario, tipicamente attraverso la validazione in studi clinici, come si sta implementando attualmente presso il core laboratory di Cuneo. La radiomica ha mostrato un valore prognostico per il trattamento di vari sottotipi di linfoma in piccole coorti di pazienti ed il Metabolic Tumor Volume (MTV) è emerso come particolarmente promettente. Durante il mio progetto di tesi, ho contribuito a sviluppare e rendere più efficiente un workflow automatico per l’estrazione delle features di radiomica dalle immagini PET acquisite durante il processo di staging. In particolare, i punti nodali del workflow sono il database clinico, le immagini PET dei pazienti in formato DICOM, la segmentazione delle immagini PET, l’estrazione delle features di radiomica e i modelli previsionali. Per l’automatizzazione è stata ideata ed implementata un’organizzazione degli input e degli output che comprende anche il processamento dei dati necessario, in ciascuna fase del workflow, per lo svolgimento delle analisi successive. Inoltre, è stato sviluppato un sistema di gestione degli errori ed un controller generale che permettono di monitorare lo stato di avanzamento del processo in maniera dettagliata per ciascuna fase. Per quanto riguarda le strutture di segmentazione, è stata introdotta nel workflow la gestione del formato DICOM-RT (DRT) e la predisposizione per una futura introduzione di algoritmi di deep learning per la segmentazione. Per quanto riguarda invece la radiomica, è stata predisposta l’introduzione nel workflow di PyRadiomics, con la relativa necessaria interfaccia tra R (linguaggio prevalentemente utilizzato per questo progetto) e Python, ed è stata svolta un’analisi di confronto tra i risultati della radiomica svolta con tool differenti. In questo contesto abbiamo quindi valutato il valore prognostico del Total Metabolic Tumor Volume (TMTV) in tre popolazioni di linfomi: Diffuse Large B-Cell Lymphoma (DLBCL), Follicular Lymphoma (FL) e advanced Hodgkin Lymphoma (HL). Specificamente, abbiamo dimostrato che il nuovo metodo di segmentazione proposto alla conferenza di Mentone— che definisce una lesione come avente Standardized Uptake Value (SUV) superiore a 4 —ha un valore prognostico equivalente ai risultati precedentemente pubblicati utilizzando una soglia pari al 41% del SUVmax