Statistical methods for radiomics-based intra-tumor heterogeneity assessment in multi-lesion cancer

The high throughput extraction of quantitative features from medical images (process named radiomics) is currently playing a role in the individuation of prognostic factors toward a personalized therapy for cancer. Texture analysis of [18F] FMCH PET/CT is hampered by radiomics features limitations, such as redundancy and lack of standardization. This Thesis aims at exploring different methods for a robust assessment of intratumor heterogeneity in patients affected by multi-lesion or metastatic cancer, such as prostate cancer. This is first approached through an intra-patient similarity index (based on the silhouette value) quantifying the patient’s disease heterogeneity in homogeneous groups of patients, then through a depth based ranking quantifying the level of centrality/outlyingness of a lesion with respect to other lesions. The application of the latter approach is thus proved to be innovative and to overcome the main radiomics limitations. As a final step, exhaustive tree-based mathematical representation of multi-lesion patients is proposed, where patients are aggregated into risk classes and classified through graph neural networks algorithms. The proposed framework is finally applied to a set of patients affected by Hodking’s lymphoma, proving the robustness of the method.

L'estrazione di variabili quantitative dalle immagini mediche, processo noto con il nome di radiomica, sta ricoprendo un ruolo sempre maggiore nell'individuazione dei fattori prognostici, muovendosi verso una terapia personalizzata per il cancro. L'analisi della texture di [18F] FMCH PET/CT è ostacolata dalle principali limitazioni delle variabili radiomiche, come la ridondanza e la mancanza di standardizzazione. La Tesi ha l'obiettivo di esplorare metodi differenti per una valutazione robusta dell'eterogeneità intra tumorale in pazienti affetti da lesioni multiple o cancro metastatico, come il cancro alla prostata. Questo obiettivo è innanzitutto approcciato attraverso la definizione di un indice di similarità intra-paziente, basato sul valore di silhouette, che quantifica l'eterogeneità della malattia in gruppi omogenei di pazienti, poi attraverso un ranking basato sulla profondità, che quantifica il livello di centralità di una lesione rispetto alle altre. L'applicazione di quest'ultimo approccio si dimostra essere innovativo ed in grado di superare le principali limitazioni della radiomica. Come step finale, si propone una completa rappresentazione matematica dei pazienti affetti da lesioni multiple tramite alberi; i pazienti sono quindi aggregati in classi di rischio e classificati. Le analisi proposte sono infine applicate ad un insieme di pazienti affetti dal linfoma di Hodking's, provando così la robustezza del metodo.