Predicting Head and Neck Cancer Patients’ Survival Using Computed Tomography-Derived Skeletal Muscle Related Data

Διπλωματική Εργασία uoadl:3372853 59 Αναγνώσεις

Μονάδα:
Κατεύθυνση Βιοπληροφορική-Επιστήμη Βιοϊατρικών Δεδομένων
Πληροφορική
Ημερομηνία κατάθεσης:
2024-01-17
Έτος εκπόνησης:
2024
Συγγραφέας:
Μουμουλίδης Πάρις
Στοιχεία επιβλεπόντων καθηγητών:
Επιβλέπων διπλωματικής εργασίας:
Βασίλης Κατσούρος, Διευθυντής Ερευνών Ινστιτούτου Επεξεργασίας του Λόγου, Ερευνητικό Κέντρο ”Αθηνά”
Email Επιβλέποντος: vsk@athenarc.gr
Παρακαλώ χρησιμοποιήστε αυτό το email (vsk@athenarc.gr) και όχι το vkatsouros@di.uoa.gr

Μέλη εξεταστικής επιτροπής διπλωματικής εργασίας:
Βασίλης Παπαβασιλείου, Επιστημονικός συνεργάτης Ινστιτούτου Επεξεργασίας του Λόγου, Ερευνητικό Κέντρο ”Αθηνά”
Κυροδήμος Ευθύμιος, Αναπληρωτής Καθηγητής, Ιατρική Σχολή, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Πρωτότυπος Τίτλος:
Predicting Head and Neck Cancer Patients’ Survival Using Computed Tomography-Derived Skeletal Muscle Related Data
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Προβλέποντας την Επιβίωση σε Ασθενείς με Καρκίνο Κεφαλής και Τραχήλου Αξιοποιώντας Δεδομένα Σχετικά με τους Σκελετικούς Μύες από την Αξονική Τομογραφία
Περίληψη:
Σκοπός: Η μελέτη στοχεύει στο να προτείνει ένα μοντέλο ταξινόμησης μηχανικής μάθησης ικανό να αναγνωρίζει ασθενείς υψηλού ρίσκου για μειωμένη συνολική επιβίωση, βασιζόμενο μόνο σε δεδομένα σχετικά με τους σκελετικούς μύες από την αξονική τομογραφία, σε ασθενείς με σταδίου 4 καρκίνο της κεφαλής και του τραχήλου. Ως μέρος της μελέτης θα αναπτυχθεί και θα προταθεί μία μέθοδος αυτόματης κατάτμησης της περιοχής ενδιαφέροντος στην αξονική τομογραφία των παρασπονδυλικών μυών (με και χωρίς το περιμυϊκό και ενδομυϊκό λιπώδη ιστό). Στοχεύουμε στο να αναπτύξουμε μια μέθοδο διαλογής των ασθενών υψηλού κινδύνου που θα μπορούσαν να ωφεληθούν από διατροφικές ή άλλες παρεμβάσεις, βασιζόμενη σε δεδομένα σχετικά με τους σκελετικούς μύες από την αξονική τομογραφία, και όχι να πετύχουμε κοντά στο τέλειο αποτελέσματα ταξινόμησης, κάτι που ούτως ή άλλως είναι ουτοπικό εξαιτίας του πολύπλοκου ιατρικού υποβάθρου του προβλήματος που απευθύνουμε. Υλικό και Μέθοδος: Αποκτήσαμε πρόσβαση σε μία συλλογή PET-CT του αρχείου απεικονίσεων καρκίνου της TCIA που περιλάμβανε 298 ασθενείς με ιστολογικώς αποδεδειγμένο καρκίνο της κεφαλής και του τραχήλου. Στη μελέτη συμπεριλάβαμε μόνο ασθενείς σταδίου 4 , με γνωστή πρωτοπαθή εστία και με ελάχιστη περίοδο παρακολούθησης τα 5 έτη, καταλήγοντας έτσι σε 74 ασθενείς. Με την εφαρμογή περαιτέρω κριτηρίων αποκλεισμού στη κατηγορία των ασθενών με καρκίνο του στοματοφάρυγγα δημιουργήθηκαν μικρότερες κοορτές των 47 και 51 ασθενών. Ως πρόωρος θάνατος ορίστηκε ξεχωριστά για ασθενείς με διαφορετική πρωτοπαθή εστία , ο θάνατος όταν η πιθανότητα επιβίωσης στις καμπύλες επιβίωσης ήταν μεγαλύτερη του 75%. Χρησιμοποιήσαμε ακόμη μεθόδους μη επιβλεπόμενης μάθησης προκειμένου να δούμε την έμφυτη τάση των δεδομένων μας για διαχωρισμό σε ομάδες, καθώς και για να τεστάρουμε διαφορετικές στρατηγικές επιλογής χαρακτηριστικών. Τα αποτελέσματα ταξινόμησης μετά την εκπαίδευση των μοντέλων αξιολογήθηκαν τόσο στις εικόνες που είχε γίνει χειροκίνητα η κατάτμηση των περιοχών ενδιαφέροντος των μυών όσο και στις εικόνες με αυτόματη κατάτμηση. Οι ταξινομητές με τα καλύτερα αποτελέσματα αξιολογήθηκαν σχετικά με την ικανότητά τους να κατηγοριοποιούν τους ασθενείς σε υψηλού και χαμηλού ρίσκου με τρόπο ώστε να χωρίζουν σε βαθμό στατιστικά σημαντικό οι καμπύλες επιβίωσης μεταξύ των δύο ομάδων ρίσκου των ασθενών. Η ανάλυση επιβίωσης έγινε χρησιμοποιώντας τις κατά Kaplan-Meier καμπύλες επιβίωσης. Αποτελέσματα: Χρησιμοποιώντας μεθόδους μη επιβλεπόμενης μάθησης παρατηρήσαμε ότι αποκλείοντας ασθενείς με καρκίνο του στοματοφάρυγγα χωρίς πρόωρο θάνατο, υπήρχε μια έμφυτη τάση για σχηματισμό 3 ομάδων (1 με σαφή κυριαρχία των ασθενών χαμηλού ρίσκου και 2 όπου κυριαρχούσαν οι ασθενείς υψηλού ρίσκου). Τα αποτελέσματα επιβλεπόμενης μάθησης ήταν επίσης πολύ ενθαρρυντικά, επιτυγχάνοντας εξαιρετική ευαισθησία διατηρώντας αποδεκτά F1-score. Τα καλύτερα αποτελέσματα επιτεύχθηκαν στην κοορτή με 47 ασθενείς, όταν η εκπαίδευση έγινε χρησιμοποιώντας 7 κύριες συνιστώσες, αφήνοντας για τεστ 30% των δεδομένων, με το καλύτερο μοντέλο να καταφέρνει να αναδείξει τάση διαφοροποίησης των καμπυλών επιβίωσης των δύο ομάδων κινδύνου στο 80% των 40 διαφορετικών διαχωρισμών για εκπαίδευση-αξιολόγηση των δεδομένων. Συμπεράσματα: Η προτεινόμενη μέθοδος αυτόματης κατάτμησης της περιοχής ενδιαφέροντος, εξαγωγής ραδιομικών χαρακτηριστικών και διαστρωμάτωσης κινδύνου των ασθενών είναι πολλά υποσχόμενη, με δυναμικό γενίκευσης, ωστόσο απαιτούνται περισσότερα δεδομένα πριν προταθεί ως χρήσιμος στην κλινική πρακτική βιοδείκτης.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
Ραδιομική ανάλυση, καρκίνος κεφαλής και τραχήλου, αυτόματη κατάτμηση, διαστρωμάτωση κινδύνου, μηχανική μάθηση
Ευρετήριο:
Ναι
Αρ. σελίδων ευρετηρίου:
2
Εικονογραφημένη:
Ναι
Αρ. βιβλιογραφικών αναφορών:
123
Αριθμός σελίδων:
133
Master_Thesis_Paris_Moumoulidis_ds2200012.pdf (12 MB) Άνοιγμα σε νέο παράθυρο