Representation methods for imaging-based cancer heterogeneity : towards virtual biopsy and prognostic subtyping

The field of oncology continues to face significant challenges in characterizing intra-tumor heterogeneity effectively and exhaustively. Despite years of research and producing a large amount of multi-view data, creating clinically relevant and statistically sound models for understanding the disease still needs to be discovered. Traditional methods such as omics profiling and biopsies have limitations in fully predicting a tumor's clonal dynamics trajectory. In contrast, the under-representation of tumor information has hindered the translation of precision medicine techniques into clinical practice. To address these challenges, this thesis proposes the creation of a more exhaustive representation of the tumor, known as a virtual biopsy, and using this representation to aid clinical decision-making and prognostic cancer subtyping. The contributions of this thesis are two-fold: The first part focuses on developing a virtual biopsy framework for characterizing intra-lesion tumor radiological heterogeneity, which was tested in the context of Colorectal cancer. The second part explores and exploits representation methods for intra-patient radiological heterogeneity and proposes approaches tested and discussed with regard to two multi-lesion cancers: Hodgkin Lymphoma and Prostate cancer. Real-world applications for cancer subtyping and prognostic profiling using supervised, unsupervised, and weakly supervised learning were employed. The difficulty in finding effective imaging biomarkers for therapeutic purposes necessitates collaboration with other fields, such as mathematics, geometry, and computer science. This collaboration can lead to a mathematically sound model capable of capturing an image's exhaustive and representative textural and structural features for targeted virtual biopsy purposes. Ultimately, this can improve and go beyond the current radiomic framework to draw prognostic inferences that can be employed in clinics. This thesis supports the vision of collaboration between disciplines leading to new ways of modeling, eventually slowing down tumor growth and preventing treatment resistance. The proposed methods and frameworks have significant potential to advance the field of oncology and pave the way for more effective and personalized cancer treatment.

La ricerca nel campo dell'oncologia sta affrontando notevoli sfide nel tentativo di comprendere in modo esaustivo l'eterogeneità all'interno dei tumori che notoriamente comporta l'inefficacia delle cure e l'insorgenza di complicazioni. Nonostante anni di studi e la raccolta di una vasta quantità di dati, rimane molto complesso creare modelli clinici e statistici per comprendere questi tipi di malattia. I metodi tradizionali, come il profilo omico e le biopsie, non sono in grado di prevedere in modo preciso l'evoluzione del tumore, e il limitato numero di informazioni raccolte impedisce la traslazione delle tecniche di medicina di precisione nella pratica clinica, perchè basate su sottostime. Per rispondere a queste difficoltà, questa tesi si propone di creare una rappresentazione più esaustiva del tumore, nota come "biopsia virtuale", che possa essere utilizzata per supportare le decisioni cliniche e le sottotipizzazioni prognostiche del cancro. In particolare, nella prima parte si propone un framework per la biopsia virtuale in grado di caratterizzare l'eterogeneità radiologica all'interno delle lesioni tumorali e si analizzano i risultati nel contesto del cancro del colon-retto. Nella seconda parte, si esplorano e sfruttano metodi di rappresentazione per l'eterogeneità radiologica intra-paziente e si propongono, testano e discutono approcci in relazione a due tipi di tumori multi-lesione: uno ematologico, il Linfoma di Hodgkin e uno metastatico, il cancro alla prostata. Per queste analisi, vengono impiegati approcci di apprendimento supervisionato, non supervisionato e debolmente supervisionato. La difficoltà nel trovare biomarcatori di imaging efficaci per scopi terapeutici richiede la collaborazione con altri campi come la matematica, la geometria e l'informatica. Questa collaborazione può portare a un modello matematicamente solido in grado di catturare caratteristiche testurali e strutturali esaustive e rappresentative di un'immagine per scopi di biopsia virtuale mirata. Questo va nella direzione di migliorare e andare oltre il framework radiomico attuale per trarre inferenze prognostiche che possono essere impiegate in clinica. Questa tesi dimostra come la collaborazione tra discipline possa portare a nuove modalità di modellizzazione, che possono contribuire a rallentare la crescita del tumore e prevenire la resistenza ai trattamenti. I metodi proposti in questo lavoro offrono un grande potenziale per avanzare nella lotta contro il cancro, favorendo la creazione di terapie sempre più efficaci e personalizzate.