Prognostic impact of radiomic features in progression of neuroendocrine tumors

Predicting tumor progression in Neuroendocrine Tumors is challeng- ing due to the interplay between limited sample sizes and the high dimensionality of radiomic data. This study aims to develop a robust framework for integrating clinical and radiomic features to improve tumor progression prediction, enhance patient-specific risk assessment, and support personalized treatment planning. A central objective is to create a synthetic representation of each patient through the Silhouette index, which summarizes intra-patient clustering patterns into a sin- gle descriptor. This process quantifies heterogeneity within each patient, reduces data complexity, and facilitates interpretation, thereby ensuring more reliable and meaningful prognostic modeling. Key steps in the study include imputing missing radiomic data using HyperImpute and reducing dimensionality through univari- ate tests, LASSO, and the Boruta algorithm to retain the most predictive vari- ables. Predictive models, including Cox proportional hazards and Survival Ran- dom Forests, were developed to evaluate the relationship between selected features and tumor progression risk, with model performance validated using the concor- dance index and 10-fold cross-validation to ensure stability and generalizability. The findings highlight the potential of combining clinical and radiomic features, enriched by synthetic descriptors like the Silhouette index, to create robust and in- terpretable prognostic models. This approach not only advances the understanding of tumor behavior but also provides a valuable tool for non-invasive and person- alized medicine, laying the groundwork for improved decision-making, optimized treatment strategies, and better patient outcomes in the management of Neuroen- docrine Tumors.

Predire la progressione tumorale nei tumori neuroendocrini rappresenta una sfida significativa a causa della combinazione di dimensioni limitate dei campioni e dell'elevata dimensionalità dei dati radiomici. Questo studio mira a sviluppare un quadro metodologico solido che integri caratteristiche cliniche e radiomiche per migliorare la capacità di previsione della progressione tumorale, supportare una valutazione del rischio specifica per il paziente e favorire una pianificazione terapeutica personalizzata. Un aspetto centrale dell'analisi è la creazione di una rappresentazione sintetica di ciascun paziente tramite l'indice di Silhouette, che sintetizza i pattern di clustering intra-paziente in un unico indicatore. Questo approccio consente di quantificare l'eterogeneità all'interno del singolo paziente, riducendo al contempo la complessità dei dati e facilitandone l'interpretazione per una modellizzazione prognostica più affidabile. I passaggi principali dello studio includono l'imputazione dei dati radiomici mancanti tramite il metodo HyperImpute e la riduzione della dimensionalità tramite test univariati, LASSO e l'algoritmo Boruta, selezionando così solo le variabili più predittive. Modelli predittivi, come il modello di Cox a rischi proporzionali e le Survival Random Forests, sono stati sviluppati per analizzare la relazione tra le variabili selezionate e il rischio di progressione. Le prestazioni dei modelli sono state validate attraverso il C-index e una cross-validation a 10 fold, garantendo stabilità e generalizzabilità dei risultati. I risultati dello studio evidenziano il valore di integrare dati clinici e radiomici, arricchiti da descrittori sintetici come l'indice di Silhouette, per creare modelli prognostici solidi e interpretabili. Questa strategia non solo approfondisce la comprensione del comportamento tumorale, ma fornisce anche uno strumento prezioso per una medicina non invasiva e personalizzata, contribuendo a migliorare le decisioni cliniche, ottimizzare le strategie terapeutiche e ottenere migliori esiti per i pazienti con tumori neuroendocrini.