Predicting response to neoadjuvant chemotherapy in ovarian cancer from CT using multi-loss deep learning

Ovarian cancer is the most lethal gynecologic malignancy: around 60% of patients are diagnosed at an advanced stage, with an associated 5-year survival rate of about 30%. In patients undergoing neoadjuvant chemotherapy, a key unmet need is the early identification of those unlikely to benefit from this treatment, since a substantial fraction of patients do not achieve an objective response and may require alternative strategies. Predicting response before therapy initiation could prevent ineffective treatment and avoid delays in optimal surgical management. In this thesis, we propose a non-invasive deep learning framework to predict neoadjuvant chemotherapy response from pre-treatment contrast-enhanced CT by leveraging automatically derived 3D lesion masks. The approach encodes axial slices with a pretrained image encoder partially fine-tuned, aggregates slice-level representations into a single volumetric embedding through an attention-based module, and optimizes the model with a multi-objective training strategy that combines a classification loss with a supervised contrastive term to regularize the embedding space, including a hard-negative mining phase to focus learning on ambiguous cases. The method was developed on a retrospective single-center cohort from the European Institute of Oncology (2016–2023). After eligibility and quality filtering, 280 patients were included, with 226 used for model development and an independent test set of 54 patients reserved for final evaluation. Performance was assessed with ROC analysis and threshold-dependent metrics, selecting the operating threshold on the validation set by maximizing F1. On the independent test cohort, the proposed model achieved a ROC-AUC of 0.73 (95% CI: 0.58–0.86) and an F1-score of 0.70 (95% CI: 0.56–0.82). Beyond discrimination, model behavior was further assessed through a qualitative analysis of slice-level attention weights which showed a tendency to prioritize central lesion slices, and through a calibration analysis which suggested a systematic under-confidence for the positive class. Overall, these results indicate that pre-treatment lesion morphology contains clinically relevant information for anticipating neoadjuvant chemotherapy response, and that combining attention-based volumetric aggregation with a contrastive-regularized training objective can improve discrimination under the studied setting. This framework provides a practical foundation for an imaging-based decision-support tool aimed at early stratification of responders and non-responders, with potential to reduce ineffective therapy and support more timely, personalized treatment planning.

Il cancro ovarico è la neoplasia ginecologica a più alta mortalità: circa il 60% delle pazienti viene diagnosticato in fase avanzata, con una sopravvivenza a 5 anni di circa il 30%. Nelle pazienti sottoposte a chemioterapia neoadiuvante, un bisogno clinico ancora insoddisfatto è l’identificazione precoce di chi difficilmente trarrà beneficio da questo trattamento, poiché una quota rilevante non ottiene una risposta obiettiva e può beneficiare da strategie alternative. Predire la risposta prima dell’inizio della terapia potrebbe evitare trattamenti inefficaci e prevenire ritardi in una gestione chirurgica ottimale. In questa tesi proponiamo un framework di deep learning non invasivo per predire la risposta alla chemioterapia neoadiuvante a partire da TAC pre-trattamento, sfruttando maschere di lesione 3D derivate automaticamente. L’approccio codifica le slice assiali con un encoder di immagini pre-addestrato e parzialmente fine-tuned, aggrega le rappresentazioni a livello di slice in un singolo embedding volumetrico tramite un modulo di attenzione e ottimizza il modello con una strategia di training multi-obiettivo che combina una loss di classificazione con un termine contrastivo supervisionato per regolarizzare lo spazio degli embedding, includendo una fase di campionamento di esempi difficili (hard mining) per focalizzare l’apprendimento sui casi ambigui. Il modello è stato sviluppato su una serie di pazienti dell’Istituto Europeo di Oncologia (2016–2023). Dopo i criteri di eleggibilità e di qualità, sono state incluse 280 pazienti, di cui 226 utilizzate per lo sviluppo del modello e 54 usate per un test set indipendente riservato alla valutazione finale. Le performance sono state valutate tramite analisi ROC e metriche dipendenti dalla soglia, selezionando la soglia operativa sul validation set massimizzando l’F1. Sul test set indipendente, il modello proposto ha ottenuto una ROC-AUC di 0.73 (95% CI: 0.58–0.86) e un F1-score di 0.70 (95% CI: 0.56–0.82). Oltre alla capacità discriminativa, il comportamento del modello è stato ulteriormente valutato tramite un’analisi qualitativa dei pesi di attenzione a livello di slice per verificare una coerente aggregazione volumetrica, che ha mostrato una tendenza a dare priorità alle slice centrali della lesione, e tramite un’analisi di calibrazione con reliability diagram per valutare l’affidabilità probabilistica, che ha suggerito una sotto-confidenza sistematica per la classe positiva. Nel complesso, questi risultati indicano che la morfologia della lesione pre-trattamento contiene informazioni clinicamente rilevanti per anticipare la risposta alla chemioterapia neoadiuvante e che combinare un’aggregazione volumetrica basata su attenzione con un obiettivo di training regolarizzato tramite contrastive learning può migliorare la capacità discriminativa nel contesto studiato. Questo framework fornisce una base pratica per uno strumento di supporto decisionale basato su TAC, orientato alla stratificazione precoce di pazienti rispondenti e non-rispondenti, con il potenziale di ridurre terapie inefficaci e supportare una pianificazione terapeutica più tempestiva e personalizzata.