Combined CT and MRI radiomics for survival analysis in patients with diffuse intrinsic pontine glioma

Diffuse Intrinsic Pontine Glioma (DIPG) is the most common brain tumor in children and has a dismal prognosis, with a median survival of less than one year. There is currently no viable treatment available. A temporal benefit is obtained through fractionated radiotherapy, which is a severe palliative therapy that only extends survival by 3 to 6 months. Radiomics is a rapidly expanding field that consists in the extraction of mineable information from diagnostic images. In oncology, radiomics can be very useful in the development of Artificial Intelligence (AI)-based cancer biomarkers for numerous purposes, including prevention, prognostication and prediction of treatment response. The goal of this work was to create a radiomic signature for prognosis of overall survival (OS) in DIPG patients based on Computerized Tomography (CT) and Magnetic Resonance (MR) images. To this aim, CT and MR images of the brain acquired before the treatment and 3 months after the treatment were considered. To develop the prognostic radiomic signature, a radiomic workflow was adopted, consisting in (i) image preprocessing and region of interest (ROI) segmentation, (ii) radiomic features extraction and postprocessing, (iii) dimensionality reduction and (iv) prognostic model development, training and evaluation. Radiomic features were extracted from the ROIs containing the tumor in CT and MRI scans after preprocessing. A delta radiomics approach was investigated too with the aim of analyzing variations in radiomic features among the two considered time instants. Three distinct dimensionality reduction strategies were investigated: (i) a feature selection pipeline based on the maximization of a performance metric for either a Cox Proportional Hazard (CPH) regression model or Random Survival Forest (RSF), depending on the model used to perform the final predictions; (ii) Principal Component Analysis (PCA); (iii) semi-supervised PCA. The resulting features/components were used to build three different models, namely CPH, RSF and DeepSurv, a nonlinear variant of the CPH model, which was tested to account for the possibility of nonlinear interactions among variables. Leave-one-out cross validation was used to assess the models’ predictive performance, measured in terms of Harrel’s concordance index (C-index) and stratification between low/high risk groups with Kaplan-Meier curves (compared through the log-rank test). For each investigated case, first, single CT- and MRI-based signatures were developed, then an integrated CT-MRI signature was obtained from the corresponding CT- and MRI-based signatures. While PCA did not produce satisfactory results, the use of the feature selection pipeline and semi-supervised PCA enabled strong prognostic performance, especially on the delta radiomics data. In this scenario, the signature obtained by integrating CT and MRI information was the one which guaranteed the best results when compared to the signatures obtained from CT or MRI features alone. In particular, applying the feature selection pipeline to delta radiomics data, and then combining the obtained CT and T2w MRI signatures resulted in a C-index ≥ 0.7 for the three investigated models (CPH, RSF and DeepSurv), together with a good stratification of the low/high risk groups, as observed from the Kaplan- Meier analysis (p-value < 0.05 from the log-rank test). In the case of semi-supervised PCA, the C-index was slightly lower, ranging between 0.566 and 0.681 for the three models on combined CT and MRI signatures, but the discrimination capability was comparable to the feature selection pipeline.

Il glioma pontino intrinseco diffuso (DIPG) è il tumore cerebrale più comune in età pediatrica e ha una prognosi infausta, con una sopravvivenza mediana inferiore a un anno. Una motivazione è che attualmente non esiste un trattamento valido, e l’unica possibilità per ottenere un beneficio temporaneo è la radioterapia frazionata, che tuttavia è un’aggressiva terapia palliativa in grado di prolungare la sopravvivenza di soli 3-6 mesi. La radiomica è un campo in rapida espansione che consiste nell’estrazione di informazioni quantitative da immagini diagnostiche. In oncologia, la radiomica può essere molto utile per lo sviluppo di biomarcatori tumorali basati sull’intelligenza artificiale (AI) per numerosi scopi, tra cui la prevenzione, la prognosi e la previsione della risposta al trattamento. L’obiettivo di questo lavoro è stato quello di creare una signature radiomica per lo studio della sopravvivenza in pazienti affetti da DIPG a partire da immagini di tomografia computerizzata (TC) e risonanza magnetica (RM). A tal fine, sono state prese in considerazione immagini di TC e RM del cervello acquisite prima del trattamento e 3 mesi dopo il trattamento. Per sviluppare la signature radiomica, è stato adottato un flusso di lavoro che consiste in (i) pre-elaborazione dell’immagine e segmentazione della regione di interesse (ROI), (ii) estrazione di features radiomiche e post-elaborazione, (iii) riduzione della dimensionalità e (iv) sviluppo, addestramento e valutazione del modello prognostico. Le features radiomiche sono state estratte dalle ROI contenenti il tumore nelle scansioni di TC e RM dopo la pre-elaborazione. È stato studiato anche un approccio di ’delta radiomica’, con l’obiettivo di analizzare le variazioni delle features radiomiche tra i due istanti di tempo considerati. Tre distinte strategie di riduzione della dimensionalità sono state analizzate: (i) una pipeline di selezione delle features basata sulla massimizzazione di una metrica per un modello di regressione Cox Proportional Hazard (CPH) o Random Survival Forest (RSF), a seconda del modello utilizzato per eseguire le previsioni finali; (ii) Principal Component Analysis (PCA); (iii) PCA semi-supervisionata. Le fea- tures/componenti risultanti sono state utilizzate per costruire tre diversi modelli, ovvero CPH, RSF e DeepSurv, una variante non lineare del modello CPH, introdotto con lo scopo di includere la possibilità di interazioni non lineari tra le variabili all’interno del modello. La tecnica di leave-one-out cross validation è stata utilizzata per valutare la performance dei modelli, misurata in termini di C-index e di capacità di stratificazione tra gruppi a basso/alto rischio attraverso le curve di Kaplan-Meier, confrontate mediante il log-rank test. Per ogni caso esaminato, sono state sviluppate prima le singole signatures basate su TC e RM, e poi è stata generata una signature integrata TC-RM. Mentre la PCA non ha prodotto risultati soddisfacenti, l’uso della pipeline di selezione delle features e della PCA semi-supervisionata ha permesso di ottenere buone prestazioni prognostiche. In questo scenario, l’utilizzo della delta radiomica e la combinazione delle singole signatures in una signature integrata TC-MR hanno garantito le migliori prestazioni prognostiche, specialmente nel caso di delta radiomica. In particolare, l’applicazione della pipeline di selezione delle features ai dati di delta radiomica e la successiva combinazione delle signatures ottenute dalla TC e dalla RM hanno portato a un C-index ≥ 0.7 per i tre modelli analizzati (CPH, RSF e DeepSurv) e ad una buona stratificazione dei gruppi a basso/alto rischio, come osservato dall’analisi di Kaplan-Meier (p-value < 0.05 nel log- rank test). Nel caso della PCA semi-supervisionata, il C-index è risultato leggeremente inferiore, compreso tra 0.566 e 0.681 per i tre modelli per signatures TC e RM combinate, ma la capacità di discriminazione è risultata paragonabile alla pipeline di selezione delle features.