Development of a clinical- and radiomics-based decision support system for predicting treatment response in meningioma patients after radiosurgery

Meningiomas represent one of the most common primary brain tumors. While often benign, tumors located in surgically challenging areas are frequently treated with stereotactic radiosurgery (SRS), including hypofractionated CyberKnife protocols. Despite favorable overall control rates, post-treatment volumetric outcomes remain notably heterogeneous; some lesions undergo significant shrinkage, whereas others remain stable or progress. Anticipating a tumor's specific response prior to treatment is currently an unmet clinical need, essential for enhancing patient counseling and personalized intervention planning. To address this gap, this thesis develops a reproducible machine learning framework to predict treatment outcome from pre-treatment MRI-derived radiomics and clinical variables. Furthermore, a primary paradigm of this work is the translation of this entire computational workflow into a secure, dashboard-based Decision Support System (DSS), designed to be intuitive and user-friendly for clinical professionals. To study the robustness and generalizability of our methods, a cohort of 173 patients was stratified into four anatomically motivated datasets, including subsets such as skull-base tumors. Radiomic features, comprising shape, first-order, and texture descriptors, were extracted from segmented tumor volumes using a standardized PyRadiomics pipeline computed on original and filtered images. High dimensionality was addressed through a two-stage reduction strategy combining correlation-based filtering with wrapper-based Sequential Forward Selection (SFS). Multiple conventional classifiers were benchmarked against TabPFN, a state-of-the-art transformer-based architecture for tabular data. Crucially, the entire modeling pipeline was embedded within a nested cross-validation (NCV) scheme to prevent data leakage and provide unbiased generalization estimates. The predictive framework achieved robust discrimination for volumetric response, with TabPFN reaching an average AUC of 0.81 and demonstrating stable performance across validation splits. Model interpretability, assessed via SHAP, revealed consistent feature effects and highlighted the importance of intratumoral heterogeneity descriptors, such as 'GrayLevelNonUniformityNormalized', in driving predictions toward the responder class. To render these findings clinically actionable, the DSS was developed as a standalone Python desktop application, ensuring strict data privacy by operating on local servers. The application unifies exploratory statistical analysis, interactive volumetric image visualization, real-time radiomic extraction, and AI-driven predictions into a single ecosystem. Overall, this thesis demonstrates that baseline MRI radiomics, combined with rigorous cross-validation and anatomically driven stratification, can effectively predict volumetric response after CyberKnife treatment. By encapsulating this pipeline within an interactive DSS, this work provides a scalable, work-enhancing instrument that mitigates the data fragmentation typically hindering clinical workflows. Future developments will prioritize multicentric external validation, the integration of longitudinal imaging to model dynamic response trajectories, and the incorporation of further biological data.

I meningiomi rappresentano uno dei tumori cerebrali primari più comuni. Sebbene spesso benigni, i tumori situati in aree chirurgicamente complesse vengono frequentemente trattati con radiochirurgia stereotassica (SRS), inclusi i protocolli CyberKnife ipofrazionati. Nonostante i tassi di controllo globale siano generalmente favorevoli, gli esiti volumetrici post-trattamento rimangono notevolmente eterogenei; alcune lesioni subiscono una significativa riduzione volumetrica, mentre altre rimangono stabili o progrediscono. La capacità di anticipare la risposta specifica di un tumore prima del trattamento è attualmente un'esigenza clinica insoddisfatta, essenziale per migliorare il counseling del paziente e la pianificazione di interventi personalizzati. Per colmare questa lacuna, questa tesi sviluppa un framework di machine learning riproducibile per predire l'esito del trattamento a partire dalla radiomica derivata da risonanze magnetiche (MRI) pre-trattamento e da variabili cliniche. Inoltre, un obiettivo primario di questo lavoro è la traduzione dell'intero flusso computazionale in un Sistema di Supporto alle Decisioni (DSS), sicuro e usufruibile tramite una dashboard, progettato per essere intuitivo e di facile utilizzo per i professionisti clinici. Per verificare la robustezza e generalizzabilità dei metodi utilizzati, la coorte iniziale di 173 pazienti è stata stratificata in dataset differenziati su base anatomica, tra cui specifici sottogruppi come i tumori del basicranio. Le feature radiomiche, comprendenti descrittori di forma, di primo ordine e di texture, sono state estratte dai volumi tumorali segmentati utilizzando una pipeline PyRadiomics standardizzata, calcolata su immagini originali e filtrate. L'alta dimensionalità è stata affrontata attraverso una strategia di riduzione in due fasi, combinando un primo filtraggio basato sulla correlazione con un metodo wrapper di Sequential Forward Selection (SFS). Molteplici classificatori convenzionali sono stati confrontati con TabPFN, un'architettura all'avanguardia basata su transformer per dati tabulari. L'intera pipeline di modellazione è stata incorporata all'interno di uno schema di cross-validazione annidata (NCV) per prevenire data leakage e fornire stime di generalizzazione attendibili. Il framework predittivo ha ottenuto una discriminazione robusta per la risposta volumetrica, con TabPFN che ha raggiunto un'AUC media di 0.81 e ha ottenuto prestazioni stabili nei diversi split di validazione. L'interpretabilità del modello, valutata tramite SHAP, ha rivelato effetti coerenti delle feature e ha evidenziato l'importanza dei descrittori di eterogeneità intratumorale, come "GrayLevelNonUniformityNormalized", nell'orientare le predizioni verso la classe dei responder. Per rendere questi risultati utilizzabili a livello clinico, il DSS è stato sviluppato come applicazione desktop, garantendo una rigorosa privacy dei dati operando su server locali. La dashboard unifica analisi statistiche esplorative, visualizzazione interattiva di immagini, estrazione radiomica in tempo reale e predizioni guidate dall'IA in un unico ecosistema. Nel complesso, questa tesi dimostra che la radiomica valutata su MRI pre-trattamento, combinata con una rigorosa cross-validazione e una stratificazione dei dataset guidata dalla sede anatomica del tumore, può predire efficacemente la risposta volumetrica a seguito del trattamento con CyberKnife. Racchiudendo questa pipeline all'interno di un DSS interattivo, questo lavoro fornisce uno strumento scalabile e in grado di ottimizzare il lavoro, attenuando la frammentazione dei dati che tipicamente ostacola i flussi di lavoro clinici. Sviluppi futuri daranno priorità alla validazione esterna multicentrica, all'integrazione dell'imaging longitudinale per modellare le traiettorie di risposta dinamiche e all'incorporazione di ulteriori dati biologici.