Predicting recurrence in stage III and IV head and neck cancer patients undergoing chemoradiotherapy using PET/CT radiomics : A multicenter study using statistical and machine learning methods. Undergraduate Thesis

Abstract

ABSTRACT : What can the metabolic behavior of a tumor tell us about a patient having recurrence after treatment? 18F-FDG PET/CT image is widely used in oncology because it allows doctors to detect tumors by observing regions in the body with abnormal glucose consumption. This “abnormal consumption” can be quantified through the Standardized Uptake Value (SUV). By setting different SUV thresholds within a delineated tumor, the analysis can go further by characterizing intra-tumoral metabolism. Head and Neck cancer (HNC) is the seventh most common worldwide and has a recurrence rate of 50%, therefore predicting recurrence is crucial for early treatment decision-making. In this study, a multicenter dataset containing 1872 clinical, tumor-to-lymph-node distances and SUV-intensity-based features extracted from the pre-treatment PET/CT images of 232 stage III and IV HNC patients was analyzed to exploit its capacity of predicting Disease-free survival (DFS). To achieve this, a comparative analysis was conducted by exploring combinations of dimensionality reduction techniques that went from the most traditional of correlation threshold shrinkage to PCA and even creating a completely novel approach of SUV threshold vs. feature curve (TFC) descriptors like the slope and the maximum value which are highly clinically interpretable. Then, also different state-of-the-art feature selection and machine learning survival models were tested until finding the combination with the best performance. This was achieved by the random survival forest model over the TFC descriptors + PCA dataset selected by univariate cox proportional hazards method that obtained a c-index of 0.7, outperforming the prediction capacity of the most used statistical method in survival analysis, which is multivariate Cox proportional hazards.

RESUMEN : ¿Qué puede decirnos el comportamiento metabólico de un tumor sobre un paciente con recurrencia tras el tratamiento? La imagen 18F-FDG PET/CT se utiliza ampliamente en oncología porque permite a los médicos detectar tumores observando regiones del cuerpo con un consumo anormal de glucosa. Este «consumo anormal» puede cuantificarse mediante el valor de captación estandarizado (SUV por sus siglas en inglés). Al establecer diferentes umbrales SUV dentro de un tumor delimitado, el análisis puede ir más allá, caracterizando el metabolismo intratumoral. El cáncer de cabeza y cuello (CCC) es el séptimo más frecuente en todo el mundo y tiene una tasa de recurrencia del 50%, por lo que predecir la recurrencia es crucial para la toma de decisiones tempranas sobre el tratamiento. En este estudio, se analizó un conjunto de datos multicéntrico que contenía 1872 características clínicas, de distancias entre tumor y ganglios linfáticos y de intensidad SUV extraídas de las imágenes PET/CT previas al tratamiento de 232 pacientes con cáncer de cabeza y cuello en estadios III y IV, con el fin de explotar su capacidad para predecir la supervivencia libre de enfermedad (SLE). Para ello, se llevó a cabo un análisis comparativo explorando combinaciones de técnicas de reducción de dimensionalidad que iban desde la más tradicional de reducción de umbral de correlación hasta PCA e incluso creando un enfoque completamente novedoso de descriptores de umbral SUV vs. curva de características (TFC) tal como la pendiente y el valor máximo que son altamente interpretables clínicamente. A continuación, también se probaron diferentes modelos de supervivencia tradicionales de aprendizaje automático y selección de características hasta encontrar la combinación con el mejor rendimiento. Esto se consiguió mediante el modelo de random survival forest sobre el conjunto de datos de descriptores TFC + PCA seleccionados por el método de riesgos proporcionales de Cox univariado, que obtuvo un c-index de 0.7, superando la capacidad de predicción del método estadístico más utilizado en el análisis de supervivencia, que es modelo de riesgos proporcionales de Cox multivariado.