Radiomic and dosiomic for predicting local control after Carbon-Ion radiotherapy in sacral chordoma

This master thesis investigated the ability of radiomics and dosiomic features (extracted from Gross Tumor Volume (GTV) and Clinical Target Volume (CTVHD)) to predict Local Control (LC) of Sacral Chordomas (SC) after Carbon-Ion Radiotherapy (CIRT).The dataset consisted of 50 SC patients treated with CIRT using a local effect model (LEM I) based optimization (LC=48%). Dosiomic features were extracted from LEM I, Absorbed Dose, Dose-averaged Linear Energy Transfer (LETd) and modified Microdosimetric Kinetic Model (mMKM), together with conventional dosimetric features (i.e. D2%, D5%,D50% and, D98% ) extracted from Dose-Volume Histogram (DVH). Radiomic features were instead extracted from Computed Tomography (CT) on which the radiotherapy plan was based. After a feature selection step, 24 different features sets were produced for each image/dose. Radiomic and dosiomic analysis were conducted in 3 ways: using only shape-based features (Shape), using only Gray level ones (GL) and using both (COMBO). Survival Analysis was performed using Cox proportional hazards model regularized with an elastic net penalty (r-Cox) and survival Support Vector Machine (s-SVM) as machine learning algorithms, associating a risk score to each patient (i.e., dividing high- vs. lowrisk). Models performances were evaluated using C-Index (CI), while risk stratification using log-rank testing (α = 0.05) on the Kaplan-Meier (KM) curves. Mann-Whitney U-test (α = 0.05) was used to analyze features stratification in low- and high-risk patient. Dosiomic and radiomic models outperformed the clinical ones (built using DVH features and volume) in terms of CI and KM curves separation, achieving the best performance with LETd in CTVHD (CI=0.723, p-value=0.0005) compared with clinical models that reached a maximum of CI=0.663 and p-value=0.704. Specifically, LETd kurtosis in CTVHD was the GL feature with the highest predictive potential (p-value=0.003).In conclusion, Dosiomic features analysis showed promising results in terms of LC prediction and, outperforming the conventional approach employing purely dosimetric features, could be a useful tool for CIRT treatment planning in SC.

Questo studio ha valutato la capacità delle features radiomiche e dosiomiche (estratte dal Gross Tumor Volume (GTV) e dal Clinical Target Volume (CTVHD)) di predire il controllo locale (LC) dei cordomi dell’osso sacro (SC) trattati con radioterapia con ioni carbonio (CIRT). Il dataset è composto da 50 pazienti SC (LC=48%) trattati con CIRT, pianificata ottimizzando il Local Effect Model (LEM I). Le features dosiomiche sono state estratte da LEM I, Dose Assorbita, Trasferimento Lineare di Energia mediato sulla dose (LETd) e dal Microdosimetric Kinetic Model modificato (mMKM); dall’istogramma dosevolume (DVH) di queste mappe sono derivate le features dosimetriche (D2%,D5%,D50 e D98%). Le features radiomiche sono state estratte dalla tomografia computerizzata su cui è stata pianificata la CIRT. Dopo la feature selection, sono stati prodotti 24 diversi feature set per ogni immagine/dose. L’analisi radiomica e dosiomica è stata condotta in 3 modi: usando solo features di forma, usando solo features dei livelli di grigio (GL) e poi combinandole. Per l’analisi di sopravvivenza gli algoritmi di machine learning usati sono stati il modello Cox a rischio proporzionale regolarizzato con elastic net penalty (r-Cox) e la survival Support Vector Machine (s-SVM) che hanno suddiviso i pazienti, associando a ciascuno un punteggio, in alto e basso rischio. I modelli sono stati valutati usando il C-Index (CI), mentre la stratificazione del rischio usando il log-rank test (α = 0.05) sulle curve Kaplan-Meier. Il Mann-Whitney U-test (α = 0.05) è stato usato per valutare la stratificazione delle features nelle due popolazioni. In termini di prestazioni, i modelli dosiomici e radiomici sono risultati migliori (LETd,CTVHD: CI = 0.723, logrank p=0.0005) dei modelli clinici, costruiti utilizzando le features DVH ed il volume (CI=0.663,log-rank p=0.704). La curtosi del LETd nel CTVHD è stata la GL feature con il più alto potenziale predittivo (p=0.003). In conclusione, l’analisi delle feature dosiomiche ha mostrato risultati promettenti per quanto riguarda la previsione del LC e potrebbe essere uno strumento utile per la pianificazione del trattamento CIRT per i SC.