Prediksjon av behandlingsutfall for hode- og halskreft ved bruk av radiomics av PET/CT-bilder

Abstract

Radiomics er konverteringen av digitale bilder til høydimensjonale data, og har oppstått på bakgrunn av konseptet om at medisinske bilder inneholder informasjon om en sykdom eller skade som kommer til syne ved bruk av kvantitative bildeanalyser. Flere studier indikerer at radiomics tilbyr ny informasjon om kreftsvulster, uten bruk av kirurgiske prosedyrer.

Formålet med denne oppgaven var å undersøke om svulstegenskaper beregnet fra intensitetsverdier og den romlige fordelingen av voxler i PET- og CT-bilder kan benyttes for å utvikle modeller for å klassifisere hode- og halskreft etter behandlingsutfall. I denne oppgaven ble det sett på to ulike behandlingsutfall, lokalregionalt tilbakefall eller progresjonsfri overlevelse. I tillegg ble det undersøkt om det er en sammeheng mellom HPV-status og behandlingsutfallet.

Grunnlaget for datasettet som ble analysert i denne oppgaven, består av klinisk informasjon og PET- og CT-bilder av 254 pasienter, som har fått behandling for hode- halskreft ved Oslo universitetssykehus med behandlingsstart i perioden 2007-2013. Radiomics ble brukt for å trekke ut førsteordens-, form- og teksturegenskaper av hode- og halssvulster fra PET- og CT-bildene. I tillegg ble bildene transformert ved å bruke filtre for å fremheve spesifikke egenskaper. Fjorten klassifikasjonsalgoritmer ble testet i kombinasjon med syv egenskapsutvelgere, for å lage klassifikasjonsmodeller. Ytelsen til de endelige modellene ble estimert gjennom nøstet kryssvalidering ved å beregne ROC AUC.

Egenskapene som hadde den høyeste univariate Pearson-korrelasjonen (rp) med behandlingsutfallet var lengden til den lengste aksen til tumor (rp=0.26, p=0.0003) og heterogeniteten til tumor (Zone Entropy) (rp=0.26, p=0.0004) beregnet gjennom en Gray Level Size Zone Matrix (GLSZM). Modellene med den høyeste multivariate prediksjonsytelsen av behandlingsutfallet (AUC = 0.66 std = 0.10) ble bygget på to egenskaper plukket ut av egenskapsutvelgeren ReliefF, og enten PLSR, Logistisk regresjon, LDA eller AdaBoost som klassifiseringsalgoritme. Svulstegenskapene som ReliefF selekterte flest ganger, var egenskaper som beskrev lengden på tumors lengste akse i tillegg til raske verdiendringer i bildet (Busyness). Disse modellene gav høyere AUC enn prediksjon av utfall gitt av modeller laget på kun kliniske faktorer (AUC = 0.57 std = 0.12). Det ble også funnet at av pasientene med positiv HPV-status fikk 76\% av pasientene progresjonsfri overlevelse etter behandling, mens dette gjaldt kun 57\% av pasientene med negativ HPV-status.

Resultatene viste at egenskapene trukket ut fra PET- og CT-bildene av svulstene kunne gi mer informasjon om behandlingsutfallet enn kliniske faktorer alene. På sikt er det mulig at videre utvikling av fremgangsmåten og prediksjonsmodellene, kan gi forbedring i pasienters behandling ved å kunne tilpasse behandlinger etter prognoser gitt av svulst-egenskaper, beregnet fra medisinske bilder.

Radiomics is the conversion of digital images into high dimensional data. It is motivated by the concept that medical images contain information about a disease or injury that can be revealed by quantitative image analyses. Several studies indicate that radiomics can offer new information about cancer tumors, without the need for invasive, medical procedures. The goal of this work was to investigate if intensity values and the spatial distribution of voxels in PET and CT images can be used to develop models for classification of treatment outcome of head- and throat cancer. Treatment outcome was separated into two classes, localregional relapse and progression free survival. In addition, the relationship between HPV-status and treatment outcome was also investigated.