Prediksjon av behandlingsutfall for hode- og halskreftpasienter ved bruk av radiomics og repetert elastisk nett teknikk

Abstract

Radiomics er et fagområde som baserer seg på å hente ut egenskaper fra medisinske bilder ved hjelp av ulike dataalgoritmer. Disse egenskapene defineres ut i fra forholdet mellom nabovoksler, og skal avdekke mønstre og karakteristikk i en kreftsvulst, som videre kan brukes i prediktive modeller. Denne oppgaven tar for seg radiomics av PET- og CT-bilder av pasienter med hode- og halskreft. Målet var å finne ut om radiomics-egenskapene kunne avdekke informasjon som ikke kom fram fra klinisk data eller egenskaper knyttet til svulstens form og størrelse. Det ble også undersøkt hvilke egenskaper som var viktige indikatorer for de beste prediksjonene og om vekselvirkninger mellom ulike egenskaper kunne påvirke prediksjonen i positiv retning. I denne oppgaven predikeres tre ulike behandingsutfall; sykdomsfri overlevelse, generell overlevelse og lokaltregionalt tilbakefall. Datasettet benyttet til trening av de prediktive modellene besto av klinisk informasjon, PET-parametere og PET- og CT-avbildninger av 197 pasienter behandlet for hode- og halskreft ved Oslo universitetssykehus i perioden 2007-2013. Fra bildene ble det hentet ut formegenskaper, førsteordens statistiske egenskaper og teksturegenskaper. For å velge ut hvilke egenskaper som skulle benyttes i modellen ble repertert elastisk nett teknikk, RENT, brukt til å velge ut ulike undersett av egenskaper. De ulike undersettene ble trent på åtte klassifiseringsalgoritmer, og resultatene ble validert ved F1-score for begge klasser, nøyaktighet, ROC AUC og Matthews korrelasjonskoeffisient. Modellene ble til slutt testet på et eksternt datasett bestående av 99 pasienter behandlet ved MAASTRO-klinikken i Nederland. På det eksterne datasettet oppnådde de beste modellene en Matthews korrelasjonskoeffisient på 0.190 for sykdomsfri overlevelse, 0.324 for generell overlevelse, og 0.125 for lokalregionalt tilbakefall. Undersettene av egenskaper som ledet til de beste prediksjonene var baserte på hovedsakelig kliniske egenskaper og formegenskaper for generell overlevelse, radiomics-egenskaper for lokalregionalt tilbakefall og en kombinasjon av kliniske, form- og radiomics-egenskaper for sykdomsfri overlevelse. Ytelsen til modellene sank kraftig fra kryssvalidering til ekstern validering, og det ble avdekket store ulikheter i datasettene brukt til trening og testing av modellene. For å vite om fremgangsmåten brukt i denne oppgaven er et nyttig verktøy for prediksjon av behandlingsutfall for pasienter med hode- og halskreft vil det være nødvendig å teste modellene på flere datasett.

Radiomics is a field based on the extraction of features from medical images using different data algorithms. These features are defined from the relationship between neighbouring voxels, and are intended to uncover patterns and characteristics in a tumor that can further be used in predictive analyses. This paper looks at radiomics of PET and CT images of patients with head and neck cancer. The goal was to find out whether the radiomics features could provide information to predictive models that were not uncovered in clinical data or features related to the tumor’s shape and size. It was also investigated which features were important indicators for the best predictions, and whether including interactions between different features could influence the model in a positive direction. The models were trained and tested for three different treatment outcomes; disease free survival, overall survival and loco-regional control. The dataset used for training the predictive models contained clinical information, PET parameters and PET and CT images of 197 patients treated at Oslo university hospital between 2007 and 2013. Shape features, first order statistical features and texture features were extracted from the images. Repeated elastic net technique, RENT, was used to select different subsets of features for prediction. The different subsets were trained on eight classification algorithms, and the results were validated using F1-score for both classes, accuracy, ROC AUC and Matthews correlation coefficient. Lastly, the models were tested on an unseen dataset containing 99 patients treated at the MAASTRO-clinic in The Netherlands. On the external dataset, the best models achieved an Matthews correlation coefficient of 0.190 for desease free survival, 0.324 for overall survival and 0.125 for loco-regional control. The subsets of features that lead to the best predictions were based on mainly clinical features and shape features for overall survival, radiomics features for loco-regional control and a combination of shape features, clinical features and radiomics features for desease free survival. The performance of the models dropped significantly from cross validation to eksternal validation, and big differences between the datasets used for training and testing were uncovered. To know whether the workflow in this study is a useful tool for prediction of treatment outcome for head and neck cancer patients, the models needs to be tested further on more datasets.