Topological data analysis for multi-tracer radiomics in cancer patients

In oncology, contemporary research places increasing emphasis on the use of radiomics, in order to identify profiles associated to specific phenotypes and leverage them to develop tailored, patient-specific solutions. However, existing methodologies in such analyses often fail to account for cancer heterogeneity within patients, despite its significant impact as a confounding factor. To address this challenge, we employ topological objects that reflect the structural complexity of cancer. Our approach is twofold. Firstly, we use dendrograms to create a tree-like patient representation and calculate the intra-patient distance using a Pruning Edit Distance. Secondly, we utilize Persistence diagrams with Wasserstein distances. Following this procedure, two cohorts of patients diagnosed with Prostate Cancer and undergoing PET procedures with two different radiotracers were analyzed and clustered via meta clustering. The performance of each radiotracer is assessed and compared at the light of the clinical information. Similarly, a comparative analysis is conducted to study the expressive power of two topological approaches. Additionally, we employ a multivariate approach, by integrating radiomic information from both radiotracers into a single analysis, in order to provide a more comprehensive perspective on the disease. As result of the analyses, we identify two clusters, each demonstrating distinct characteristics regarding therapy responsiveness, clinical phenotype, and administered therapies. In conclusion, this work presents a comprehensive framework for understanding multi-lesion heterogeneity and, given the promising results, holds significant potential for enhancing future analyses in metastatic cancer subtyping.

Nel campo dell'oncologia, c'è un crescente interesse nella ricerca sulla radiomica, al fine di individuare connessioni tra profili radiomici e fenotipi tumorali, utili per sviluppare trattamenti personalizzati basati sul profilo individuale del paziente. Tuttavia, le attuali metodologie di analisi spesso non contemplano il cancro nella sua interezza, nonostante l'importanza di tale approccio sia stata più volte sottolineata. Per tener conto dell'eterogeneità tra i tumori di uno stesso paziente, usiamo oggetti, provenienti dall'Analisi Topologica dei dati, che evidenzino la complessità strutturale di tale malattia. Il nostro metodo si articola in due fasi. Inizialmente, utilizziamo dendrogrammi per creare una rappresentazione ad albero del paziente e calcoliamo la distanza intra-paziente mediante una Pruning Edit Distance. Un secondo approccio coinvoge l'uso di diagrammi di persistenza e di distanze di Wasserstein. Seguendo questa procedura, vengono analizzati due gruppi di pazienti affetti da tumore alla prostata, i quali sono stati sottoposti a scansioni PET utilizzando radiotraccianti diversi. Su questo dataset, eseguiamo un clustering servendoci di un approccio di meta clustering. Le performance di ogni radiotracciante vengono valutate e confrontate in relazione alle informazioni cliniche. Allo stesso modo, viene condotta un'analisi comparativa per esaminare l'efficacia dei due approcci topologici. Inoltre, si adotta un approccio multivariato con cui integrare le informazioni radiomiche provenienti da entrambi i radiotraccianti in un'unica analisi, al fine di offrire una visione più completa della malattia. Come risultato delle analisi, vengono individuati due cluster, ciascuno dei quali presenta caratteristiche distintive in termini di risposta alla terapia, fenotipo clinico e trattamenti somministrati. In conclusione, questo studio offre una framework esaustivo per comprendere l'eterogeneità multi-lesionale e, considerando i risultati promettenti, possiede un potenziale significativo per migliorare le future analisi nella sottoclassificazione del cancro metastatico.