A graph neural network framework for predicting spatio-temporal progression in biological networks with application to brain tumor recurrence

Predicting spatial and temporal progression through biological networks remains a challenge in computational medicine. We present a novel data-driven framework that combines Graph Neural Networks with machine learning to predict where and when progression might occur. The framework represents anatomical structures as graphs with nodes connected by functional pathways, enabling the model to learn progression patterns via ensemble methods that balance graph-based deep learning with traditional machine learning. We apply the proposed methodology to predict the spatio-temporal recurrence dynamics of glioblastoma, to support brain surgeons in resection plans and post-surgical follow-up. This is a challenging task in brain surgery due to the infiltrative nature and very common recurrence of high-grade brain tumors. Using longitudinal MRI from 80 patients, we represent the brain anatomy as a graph with 83 regions connected by functional pathways. For spatial prediction, our ensemble method, which combines Graph Attention Networks and Random Forest, achieved an Area Under the ROC Curve (AUC) of 0.956 on consecutive short-term predictions and remained useful (AUC = 0.865) even for baseline to recurrence appearance. We aggregate predictions into 14 macroregions to increase interpretability. For temporal prediction, we reformulate the task to consider all the post-surgical sequences and achieved a mean absolute error of 12.80 weeks with the Random Forest method, a 73% improvement over the naive baseline. Patients with at least 5 post-surgical scans achieved accurate predictions (5.50 weeks of error), demonstrating that intensive early monitoring obtained more precise recurrence estimates. The Latent ODE approach underperformed, probably due to limited training data. This result shows that explicit domain knowledge through feature engineering outperforms end-to-end learning when working with small medical datasets. While demonstrated here for glioblastoma, the method can be generalized to any disease characterized by progression through biological networks, including other tumors and neurodegenerative diseases, supporting clinical practice.

La predizione della progressione spaziale e temporale di malattie attraverso reti biologiche rappresenta una sfida nella medicina computazionale. In questa tesi abbiamo sviluppato un nuovo modello che combina Graph Neural Networks con machine learning. Il framework proposto descrive le strutture anatomiche come grafi con nodi connessi da percorsi funzionali, permettendo al modello di apprendere pattern di propagazione attraverso metodi ensemble che bilanciano deep learning e machine learning tradizionale. Abbiamo validato l'approccio sulla previsione delle ricadute nel contesto dei tumori cerebrali, per supportare la pianificazione dell'intervento chirurgico e il follow-up post-operatorio, considerando il glioblastoma, tumore di alto grado, caratterizzato da una crescita infiltrante e da un alto tasso di recidiva dopo il trattamento chirurgico. Utilizzando MRI longitudinali di 80 pazienti, abbiamo modellato l’anatomia cerebrale come un grafo di 83 regioni connesse. Per la predizione spaziale, l'approccio ensemble, che combina Graph Attention Networks e Random Forest, ha raggiunto AUC (Area Under the ROC Curve) di 0.956 nelle predizioni a breve termine, mantenendo una buona performance (AUC 0.865) dal baseline alla recidiva. Le predizioni sono state aggregate in 14 macroregioni per supportare la pianificazione chirurgica. Per la predizione temporale, riformulando il problema con l'intera sequenza post-operatoria, il modello Random Forest ha ottenuto un errore assoluto medio di 12,80 settimane, un miglioramento del 73% rispetto al modello base. È emerso che pazienti con almeno 5 esami post-chirurgici hanno predizioni più accurate, evidenziando come un monitoraggio precoce e intensivo consenta di stimare con più precisione la recidiva. L'approccio basato su Latent ODE ha mostrato prestazioni inferiori suggerendo che l’integrazione di conoscenze specifiche del dominio temporale tramite feature engineering può superare l’apprendimento end-to-end in presenza di dataset medici limitati. Il metodo può essere generalizzato a ogni malattia caratterizzata dalla progressione attraverso reti biologiche, inclusi altri tumori e malattie neurodegenerative.