Counterfactual explainability in 3D CT-based deep learning for ovarian cancer resectability prediction

Despite advances in treatment options and early screening procedures, ovarian cancer still stands out as the gynecological cancer with the highest rate of deaths globally, with 12,000 mortalities expected in 2025 in the US alone, accounting for 4.3% of expected cancer mortality in women. Complete cytoreduction, that is, the surgery leading to the removal of the tumor disease in its entirety, is one of the most important predictors of increased overall survival and quality of life. It is of utmost importance to identify those patients where complete resection is feasible, who will have a debulking surgery first and, consequently, chemotherapy. On the contrary, in case complete resection is not feasible, a combination of neoadjuvant chemotherapy followed by delayed surgery will be the optimal therapy path for patients. It can be challenging to define the feasibility of complete resection based on the three-dimensional distribution of the disease, which may include subtle patterns that are not revealed by standard CT imaging prior to surgery. To solve the problem and improve clinical practice, this thesis proposes a novel counterfactually explainable deep learning model to predict ovarian cancer non-resectability from 3D CT images. The research is based on a retrospective cohort of 463 patients treated at the European Institute of Oncology, including 301 resectable and 162 non-resectable patients. The proposed architecture employs lesion-centered CT input images with different intensity representations and tumor mask guidance, thus incorporating information from the whole crop of the CT scan and the regional properties extracted from the tumor core, the peritumoral ring, and the anatomical context of the tumor. On the test set, the best performing configuration achieves a ROC-AUC of 0.762. The goal of the study is not only to produce the probability of non-resectability, but also to check whether there is any evidence in the image regarding this prediction, which can be both related to the tumor and clinically understandable. For this purpose, we apply regional DeepLIFT, pelvic-omental anatomical analysis, Grad-CAM, feature space visualization, and semantic counterfactual analysis to the trained classifier. In the counterfactual analysis, we manipulate such attributes of the tumor as density, size, and border regularity, thus being able to measure how the change influences the predicted probability.

Nonostante i progressi nelle opzioni terapeutiche e nelle procedure di screening precoce, il carcinoma ovarico rimane il tumore ginecologico con il più alto tasso di mortalità a livello globale, con 12.000 decessi attesi nel 2025 solo negli Stati Uniti, pari al 4,3% della mortalità oncologica prevista nelle donne. La citoriduzione completa, ovvero l’intervento chirurgico che consente la rimozione dell’intera malattia tumorale visibile, è uno dei principali fattori prognostici associati a un aumento della sopravvivenza globale e della qualità di vita. È quindi di fondamentale importanza identificare le pazienti per le quali la resezione completa è fattibile, che saranno sottoposte inizialmente a chirurgia di debulking e, successivamente, a chemioterapia. Al contrario, nei casi in cui la resezione completa non sia fattibile, una combinazione di chemioterapia neoadiuvante seguita da chirurgia differita rappresenta il percorso terapeutico ottimale. Definire la fattibilità della resezione completa può essere complesso, poiché dipende dalla distribuzione tridimensionale della malattia, che può includere pattern sottili non evidenziabili dalla CT preoperatoria standard. Per affrontare questo problema e migliorare la pratica clinica, questa tesi propone un nuovo modello di deep learning spiegabile tramite controfattuali per predire la non resecabilità del carcinoma ovarico a partire da immagini CT 3D. Lo studio si basa su una coorte retrospettiva di 463 pazienti trattate presso l’Istituto Europeo di Oncologia, comprendente 301 pazienti resecabili e 162 non resecabili. L’architettura proposta utilizza immagini CT centrate sulla lesione con diverse rappresentazioni di intensità e una guida basata sulla maschera tumorale, integrando così informazioni provenienti dall’intero crop della CT e dalle proprietà regionali estratte dal nucleo tumorale, dall’anello peritumorale e dal contesto anatomico del tumore. Sul test set, la configurazione con le migliori prestazioni raggiunge una ROC-AUC di 0,762. L’obiettivo dello studio non è soltanto produrre una probabilità di non resecabilità, ma anche verificare se tale predizione sia supportata da evidenze presenti nell’immagine, correlate al tumore e clinicamente interpretabili. A questo scopo, applichiamo al classificatore addestrato DeepLIFT regionale, analisi anatomica pelvico-omentale, Grad-CAM, visualizzazione dello spazio delle feature e analisi controfattuale semantica. Nell’analisi controfattuale vengono manipolati attributi tumorali quali densità, dimensione e regolarità del bordo, consentendo così di misurare in che modo tali modifiche influenzino la probabilità predetta.