Distant supervised learning for cancer subtyping with multiphase imaging data integration

Radiomics is a field of image analysis that consists in the high throughput extraction of quantitative features from medical images. It has become more and more important thanks to its advantage to non-invasively give access to tumor characterization. Thanks to the fact that the CT scans are composed by three images (phases) and that from an image it is possible to segment more than one region of interest (ROI), it is possible to obtain a multi-view or multiphase dataset. In particular, we have analysed two different types of multi-view dataset of patients affected by Intrahepatic cholangiocarcinoma (ICC). In the first one, also called multiphase, each view was composed by a phase while in the second one two views were composed by two ROIs: the core and the margin of the tumor. Both these regions were extracted from the Portal phase of the CT scans. We have employed these datasets to spot and assess the potential relevance of radiomic data trough different analyses. First of all, we worked in a classic framework for radiomic data performing some supervised analyses. Then, we have employed a distant supervision model, borrowed from the genomic literature, to perform cancer subtyping in Intrahepatic Cholangiocarcinoma patients. In this setting we have studied both the overall survival and the diseases free survival time of the patients affected by ICC. Our purposes were multiple, both methodological and clinical. The methodological ones were assessing whether the different phases and ROIs provide complementary information to create a good stratification for patients affected by ICC. Instead, the clinical purposes regard finding patients that share both a similar prognosis and imaging characterization. Moreover, we wanted to find some risk factors that are linked with the imaging variables and therefore, we were interested in obtaining easily interpretable results. Finally, we also wanted to establish whether the multi-view approach on radiomic data could be generalized also to other settings. Therefore, we have performed an analysis also on patients affected by Colorectal liver metastases to understand if, also in this setting, the addition of radiomic features is useful to improve the performances.

La radiomica è una branca dell'imaging medico che consiste nell'estrarre variabili quantitative dalle immagini mediche e che sta diventando sempre più importante grazie alla sua capacità di rendere accessibile la caratterizzazione del tumore in modo non invasivo. Grazie al fatto che le TAC sono composte da tre immagini (chiamate fasi) e che da ognuna di esse è possibile segmentare più di una regione di interesse (ROI), è possibile ottenere un dataset multi-view o multifase. In particolare, abbiamo analizzato due tipi di dataset multi-view composti da pazienti affetti da Colangiocarcinoma intraepatico (ICC). Nel primo, chiamato anche multifase, ogni view è composta da una fase mentre nel secondo le due view sono formate da due ROI: il core e il margine del tumore. Entrambe queste regioni sono state segmentate dalla fase portale della TAC. Abbiamo utilizzato questi dataset per individuare e stabilire la potenziale utilità dei dati radiomici attraverso diverse analisi. Come prima cosa abbiamo adottato un framework classico per i dati radiomici facendo delle analisi di tipo supervisionato. In seguito, abbiamo utilizzato un approccio distant-supervised, che era stato proposto nella letteratura genomica, per fare sottotipazione del cancro nel caso di pazienti affetti da ICC. In questo caso abbiamo studiato sia la sopravvivenza che la recidiva dei pazienti. I nostri obbiettivi erano molteplici, sia di tipo metodologico che clinico. Dal punto di vista metodologico eravamo interessati a valutare se le diverse fasi della TAC e le diverse ROI apportano informazioni complementari per creare una buona stratificazione dei pazienti affetti da ICC. Dal punto di vista clinico eravamo interessati a trovare dei gruppi di pazienti che fossero caratterizzati da una simile prognosi e da caratteristiche dell'imaging simili. Inoltre, eravamo interessati ad individuare dei fattori di rischio legati all'imaging tramite dei risultati facili da interpretare. Infine eravamo anche interessati a valutare se questo approccio multi-view potesse essere generalizzato anche ad altri casi. Per questo abbiamo studiato se anche nel caso di pazienti affetti da metastasi epatiche derivanti da un tumore al colon-retto l'utilizzo di variabili radiomiche provenienti da diverse ROI porta a dei risultati migliori.