Analysis of data from PESI - mass spectrometry for the identification of hepatocellular carcinoma

Hepatocellular carcinoma (HCC) is one of the most common primary liver cancers and a leading cause of cancer death worldwide. In surgery for liver tumors, a critical step to improve overall patients survival is represented by the complete surgical resection with negative margins. Since the main intra surgical techniques currently used for the detection of cancer cells in tumor margins are time-consuming, need specialized skills and are still afflicted by several limitations, other approaches for the real-time diagnosis of HCC are under investigation. Probe electrospray ionization mass spectrometry (PESI-MS) is a promising technique that with a simple instrument configuration allows to analyze biological samples very quickly, with high detection sensitivity and by means of a direct sampling that involves no special pre-treatment, minimum sample preparation and low sample consumption. The aim of this thesis is to evaluate the applicability of PESI-MS combined with statistical data processing and machine learning algorithms for the identification of human HCC. The mass spectra acquired by a PESI mass spectrometer (DPiMS-2020, Shimadzu Corp.) are firstly subjected to univariate statistical analysis in order to identify significant differences in the metabolism pattern between HCC tissues and healthy samples. Afterwards, Partial Least-Squares Discriminant Analysis (PLS-DA) and two different algorithms (Random Forest and Support Vector Machines) are adopted to identify the best predictors able to discriminate cancerous tissues from non-cancerous ones. Furthermore, the purpose of this work is to take into account also the clinical data collected from HCC patients in order to evaluate how they could affect the behavior of the classification models. The results of this study confirm the potential of the PESI-MS approach, combined with artificial intelligent (AI) algorithms, to become a real-time analysis able to identify, by analyzing only few discriminant features, tumor tissue during surgical practice and to improve the decision making process.

Il carcinoma epatocellulare (HCC) è uno dei tumori epatici primari più comuni e una delle principali cause di morte per cancro in tutto il mondo. Nell’ambito chirurgico, uno degli aspetti più critici e che più influenza la sopravvivenza dei pazienti è l’operazione di resezione chirurgica completa con margini negativi. Attualmente le principali tecniche utilizzate durante la chirurgia per l’individuazione dei margini della massa tumorale richiedono tempo, competenze specialistiche e, tuttavia, presentano ancora diversi limiti. Per questi motivi si stanno indagando altri possibili approcci per la diagnosi in tempo reale dell’HCC. La spettrometria di massa di ionizzazione elettrospray sonda (PESI-MS) si è dimostrata una tecnica promettente che permette di analizzare campioni biologici rapidamente, con un’elevata sensibilità di rilevazione e mediante l’utilizzo di un campionamento diretto che non prevede speciali pre-trattamenti e necessita di una minima preparazione del campione. Lo scopo di questa tesi è valutare l’applicabilità della PESI-MS combinata con l’elaborazione di dati statistici e algoritmi di apprendimento automatico per la diagnosi dell’HCC umano. Gli spettri di massa acquisiti da uno spettrometro PESI sono inizialmente sottoposti ad analisi statistica univariata al fine di identificare differenze significative nel pattern metabolico tra tessuti di HCC e campioni sani. Successivamente, l’analisi discriminante parziale dei minimi quadrati (PLS-DA) e due algoritmi (Random Forest e Support Vector Machines) sono implementati con l’obiettivo di identificare i migliori predittori capaci di discriminare i tessuti tumorali da quelli non tumorali. Questo lavoro, inoltre, prende in considerazione anche i dati clinici raccolti dai pazienti con HCC al fine di valutare l’influenza di questi sul comportamento dei modelli di classificazione. I risultati di questo studio confermano il potenziale mostrato dall’approccio PESI-MS, integrato con algoritmi di intelligenza artificiale (AI), nell’implementazione di un’analisi in tempo reale capace di identificare, analizzando solo alcune features discriminanti, il tessuto tumorale e migliorare il processo decisionale.