MRI-Based Radiomics Analysis for Predicting Treatment Outcome in Rectal Cancer

Abstract

Med et ønske om å bidra til forskningen om hvorvidt radiomics-parametre fra MR-bilder kan være biomarkører for endetarmskreft, hadde denne oppgaven tre hovedmål. For det første, å etablere og optimalisere binære prediksjonsmodeller med progresjonsfri overlevelse (PFS), tumorskrumpning (TRG) og T-stadieinndeling etter kjemoradioterapi (ypT) som endepunkter. De to sistnevnte indikerer effekten av preoperativ kjemoradioterapi (nCRT). For det andre, å undersøke i hvilken grad parametre som beskriver bildetekstur har prognostisk og prediktiv verdi. For det tredje, å evaluere utvalgte resultaters reproduserbarhet i forhold til voxeldimensjon, tumorsegmentering og diskretisering av bildenes intensitetsnivåer.

Kombinasjoner av fire seleksjonsalgoritmer og seks klassifikasjonsalgoritmer ble vurdert. Parametre som beskriver tumorens form og tekstur, i tillegg til første ordens statistiske parametre, ble beregnet fra T2- og diffusjonsvektede MR bilder. Radiomicdata fra 81 pasienter med bekreftet endetarmskreft ble analysert. Av disse fikk 35 pasienter nCRT.

Seleksjonsalgoritmen Fisher score i kombinasjon med klassifikasjonsalgoritmen Decision tree oppnådde følgende testresultat, målt som area under the receiver operator curve (AUC): 62.2 ± 5.9 % og 73.0 ± 10.8 % for prediksjon av PFS for henholdsvis alle pasienter, og pasienter som fikk nCRT. Begge modellene selekterte kun teksturparametre og første ordens statistiske paramerte. Basert på resultater fra flere modeller var en parameter som vektlegger små, høyintensive bilderegioner tilsynelatende av relevans i prediksjon av PFS. Prediksjon av TRG og ypT resulterte i AUC-verdier omkring henholdsvis 80 % og 90 %. Samlet sett var tekstur og første ordens statistiske parametre godt representert blant de selekterte.

Standardavvikene for test-verdier var omkring 10 % for majoriteten, og over 20 % for noen, for modellene som predikerte kun på bakgrunn av data fra pasienter med nCRT. Dette datasettet var lite og hadde samtidig høy dimensjonalitet på grunn av antallet parametre, noe som kan resultere i en overtilpasning av modellen, og en redusert evne til å generalisere.

Basert på denne undersøkelsen viste resultatene lav reproduserbarhet. Korrelasjon mellom parametre kan være en sentral årsak. En evaluering av i hvilken grad slik korrelasjon forekommer, og ekskludering av overflødige parametre, kan potensielt bidra til mer troverdige resultater. Dette vil også kunne gjøre det enklere å identifisere pålitelige parametre med prognostisk og prediktiv verdi.

In an attempt to contribute to the investigation of radiomic features from magnetic resonance images (MRI) as potential biomarkers within the field of rectal cancer, this thesis had tree main objectives. First, to establish and optimize binary prediction models with progression free survival (PFS), tumor regression grade (TRG) and posttherapy pathological T-staging (ypT) as endpoints. The latter two are indicative of response to neoadjuvant chemoradiotherapy (nCRT). Second, to investigate the predictive and prognostic value of texture features in particular, and finally, determine the reproducibility of obtained results with respect to voxel dimension, tumor delineation and intensity discretization.

Combinations of four feature selector algorithms and six classifiers were evaluated. Shape, first-order statistical and texture features were derived from T2- and diffusion-weighted MRIs. Radiomic data from 81 individuals with confirmed rectal cancer, of which 35 received nCRT, was analysed.

The combination of Fisher score selector and Decision tree classifier achieved test scores measured in area under the receiver operator curve (AUC) of 62.2 ± 5.9 % and 73.0 ± 10.8 % when predicting PFS for all patients and the nCRT cohort, respectively. Both models selected first-order and texture features only. Across models, the small area high gray level emphasis texture feature appeared to be of relevance in predicting PFS. Prediction of TRG and ypT was achieved with test scores of about 80 % and 90 % AUC, respectively. Overall, texture and first-order features were well represented among those selected.

Values for test standard deviation were above 10 % for a majority of models, and above 20 % for some models considering the nCRT cohort. The small size and high dimensionality of this cohort may cause issues like over-fitting and poor ability to generalize.

As a preliminary investigation, reproducibility of obtained results was low. This may be influenced by the presence of correlated features. Evaluating correlation and removing redundant features accordingly are likely to render results more reliable and allow for features with predictive and prognostic value to more readily be identified.