Utilize este identificador para referenciar este registo: http://hdl.handle.net/10451/20768
Título: Identification and application of image biomarkers for the prediction of radiotherapy treatment response in head and neck cancer patients
Autor: Ribeiro, Cássia Oraboni
Orientador: Sijtsema, Marianna
Peralta, Luís Filipe dos Santos Garcia, 1961-
Palavras-chave: Radioterapia
Radiomics
CT
Tumor
Biomarcadores de imagem
Teses de mestrado - 2015
Data de Defesa: 2015
Resumo: A radioterapia é uma modalidade de tratamento de cancro amplamente utilizada em todo o mundo. Este tipo de terapia tem como principal objectivo focalizar uma alta dose de radiação para o tumor e ao mesmo tempo minimizar a exposição dos tecidos saudáveis presentes à volta do mesmo. A concretização deste tipo de tratamento com alguma precisão e eficiência já se torna possível graças às mais modernas técnicas, tais como a Radioterapia Conformacional em 3D (3D-CRT), Radioterapia de Feixe de Intensidade Modulada (IMRT) e Terapia Arc Modulado Volumétrico (VMAT). O surgimento destas técnicas foi possível devido à modernização de modalidades de imagens usadas em oncologia. Mais concretamente, deve-se ao surgimento da Tomografia Computadorizada, usualmente conhecida por CT (do inglês Computed Tomography), que é o tipo de imagem principal e mais utilizada em radioterapia. Contudo, apesar de todos estes avanços, actualmente ainda não é possível prever com precisão o resultado de um determinado tratamento de radioterapia para um paciente específico. Seria bastante útil conseguir obter esta informação mesmo antes de se sujeitar o paciente à radiação, por forma a adaptar o tratamento de acordo com as necessidades e características da doença. Esta prática designa-se por medicina personalizada e permite resultados muito mais promissores para uma determinada terapia. A CT tem a vantagem de ser um método não invasivo. É possível através das imagens a 3 dimensões produzidas conseguir-se distinguir (visualmente) diferentes características de um tumor, relativamente à sua intensidade, forma, tamanho ou textura. Neste contexto, surge um campo emergente em processamento de imagem designado por radiomics. Este método permite caracterizar uma imagem quantitativamente, o que possibilita a definição muito mais precisa do fenótipo de um determinado tumor. Radiomics trata da extracção das designadas, ao longo desta tese, características quantitativas de uma imagem. Assim, neste projecto de estágio foi estudada a possibilidade de se conseguir prever a eficiência de um tratamento de radioterapia através da aplicação de radiomics em imagens de CT. A população em estudo foram os doentes com carcinoma espinocelular de cabeça e pescoço (HNSCC). A eficiência do tratamento foi estudada através da análise de sobrevivência de 310 pacientes portadores desta doença e que fizeram tratamento com radioterapia no University Medical Center Groningen (UMCG). Este centro hospitalar, localizado na cidade de Groningen (no norte da Holanda), foi o local do estágio efectuado por 9 meses para a realização deste projeto. Utilizou-se o Matlab para implementar 125 algoritmos diferentes de características de imagem. Posteriormente, os valores destas características de imagem foram extraídos das imagens de CT dos tumores dos 310 pacientes analisadas. O software de estatística designado por R foi o programa maioritariamente utilizado na parte da análise dos valores obtidos das características de imagem para os pacientes deste estudo. As características de imagem implementadas foram divididas em 3 grupos diferentes. O primeiro grupo consiste no cálculo de métricas a partir do histograma de intensidade de todos os voxels da imagem ce CT que contém o tumor. O segundo grupo traduz a forma e tamanho do tumor e por fim, o último e terceiro grupo, quantifica a heterogeneidade do mesmo. Apenas as características de imagem implementadas que mostrem uma diferença significativa (entre valores baixos e altos dessa mesma característica) na sobrevivência após início do tratamento serão investigadas em mais pormenor e designados ao longo desta tese por biomarcadores de imagem. O objectivo deste projeto é encontrar estes biomarcadores de imagem e determinar o seu desempenho na previsão do resultado de um tratamento de radioterapia. Em publicações anteriores, já se provou a relação de certas características quantitativas de uma imagem, qua traduzem especificações do tumor, com a sobrevivência [1]. Por isso, numa primeira fase da análise estatística deste projeto, alguns dos resultados já obtidos por trabalhos anteriores foram validados cm os pacientes disponíveis para este estudo. A mais-valia que esta tese traz para o campo de radiomics é a análise da influência dos valores das características de imagem na, para além da sobrevivência no geral, recorrência do tumor e no aparecimento de metástases. Novas e diferentes características de imagem foram também implementadas. Após o início da análise dos dados ao longo do estágio, foram encontrados 55 biomarcadores de imagem (44% das 125 características de imagem implementadas), o que mostra o potencial do conceito de radiomics na prática clínica de radioterapia. Para além disso, através de um método eficiente de selecção de varáveis, pretendeu-se escolher as 3 melhores características de imagem, de forma a combiná-las num modelo capaz de prever a sobrevivência de pacientes com carcinoma espinocelular de cabeça e pescoço tratados com radioterapia. O método de selecção garantiu que as características de imagem seleccionadas tivessem valores estáveis, não fossem correlacionadas entre si e apresentassem (individualmente e em combinação) os mais altos valores de desempenho de prognósticos possíveis. Segundo este método, os 3 biomarcadores de imagem seleccionados designam-se por: Uniformity, Surface density e Size zone non- uniformity, correspondentes ao primeiro, segundo e terceiro grupo respectivamente. Estas 3 características em combinação designam-se por assinatura de biomarcadores de imagem. O desempenho de um modelo contendo estes 3 biomarcadores de imagem foi muito promissor e após validação interna obteve-se um valor de aproximadamente 0.65 (numa escala de 0.5 até 1), que é considerada uma performance de prognóstico muito promissora. De forma a analisar o valor suplementar de características quantitativas de imagem na prática de radioterapia, foram comparados o desempenho de prognóstico da assinatura de biomarcadores de imagem com inúmeros parâmetros específicos de pacientes já comummente utilizados na clínica. A assinatura de biomarcadores de imagem obteve um desempenho superior a todos os parâmetros excepto o designado WHO, que se trata de uma pontuação dada pelo médico antes do tratamento que incide sobre o estado físico do paciente (se é totalmente independente e ativo). É natural que este parâmetro consiga prever minuciosamente o resultado do tratamento visto que a eficiência do mesmo depende bastante das condições físicas prévias do paciente. Para se conseguir um melhor poder de prognóstico, decidiu-se então combinar a assinatura de biomarcadores de imagem com a pontuação WHO num modelo designado por modelo final. Com o modelo final, obteve-se uma performance de aproximadamente 0.73, que indica uma capacidade excelente de predição. Finalmente, após a obtenção de uma assinatura de biomarcadores de imagem e de um modelo final, desenvolveu-se sistemas de estratificação de risco pré-tratamento, que acaba por ser mais uma das grandes novidades que este projecto traz para o campo de radiomics no geral. Estes sistemas baseiam-se na assinatura de biomarcadores de imagem e no modelo final para diferenciar (previamente ao tratamento) os pacientes considerados com baixo risco e com alto risco de morte, recorrência de tumor ou metástases. As diferenças obtidas para os dois grupos de risco foram bastante significativas em qualquer um dos casos (morte, recorrência ou metástases). Neste projecto, estes sistemas de risco foram desenvolvidos com a informação dos pacientes disponíveis, mas a ideia é serem aplicados a um conjunto externo de doentes pertencentes à mesma população. Isto traz inúmeros benefícios clínicos, pois torna-se possível o desenvolvimento da medicina personalizada, e consequentemente, o aumento das taxas de sucesso de radioterapia nos pacientes com carcinoma espinocelular de cabeça e pescoço. Os resultados obtidos ao longo do estágio foram bastantes promissores, indicando o poder de prognóstico das características de imagem implementadas. Contudo, torna-se necessário validar tanto os modelos desenvolvidos como os sistemas de estratificação de risco pré-tratamento num conjunto externo de pacientes com carcinoma espinocelular de cabeça e pescoço por forma a se obter um desempenho menos optimista, mas possivelmente mais realista e mais representativo da população no geral. Este será talvez o próximo passo para o complexo processo de introdução de biomarcadores de imagem na prática clínica de radioterapia.
Each year, about 300 patients with head and neck squamous cell carninoma (HNSCC) are treated with radiotion therapy (either primary or post-operative) at the department of Radiotion Oncology of the University Medical Center Groningen (UMCG), Groningen, The Netherlands. To our knowledge, this hospital has the largest database of information on toxicity in the world for the head and the neck cancer (HNC) patients treated with radiotherapy. In literature it was shown that specific image characteristics (440 in total) of a tumor are correlated to its patient overall survival (OS) [1]. Radiomics is the field that allows large amounts of image characteristics (features) to be extracted automatically from radiographic images. The features that demonstrate a correlation to survival can be also called image biomarkers. The main goal of this work is to investigate in more detail the prognostic value of image features in the planning CT-scans of HNC patients (310 in total) for their response to radiotherapy (RT). In addition, the relation between the images features and recurrence-free survival (RFS) will be assessed. Overall, the obtained results showed the promising power of radiomics. Particularly, 55 image features demonstrated significant differences for OS. Moreover, a prognostic performance of approximately 0.65 (scored from 0.5 to 1) was obtained for the selected image features in the prediction of RT outcome for a HNC patient with similar characteristics as the dataset used for this project. Also the better performance of the image biomarkers in relation to other commonly used patient-specific parameters is shown. Additionally, the ability of images features in distinguishing between high and low risk patients beforehand is demonstrated, which can contribute to a more tailored treatment, and consequently, higher success rates. Therefore, different but very promising results were obtained when compared to previous work. The methodology followed for this project revealed the promising power of the image biomarkers to accurately predict the RT treatment response in HNC patients. Therefore, the next step will consist in validating the developed models in external datasets of patient for a possible clinical use in the future.
Descrição: Tese de mestrado integrado, Engenharia Biomédica e Biofísica (Radiações em Diagnóstico e Terapia)Universidade de Lisboa, Faculdade de Ciências, 2015
URI: http://hdl.handle.net/10451/20768
Designação: Tese de mestrado integrado em Engenharia Biomédica e Biofísica (Radiações em Diagnóstico e Terapia)
Aparece nas colecções:FC - Dissertações de Mestrado

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
ulfc115875_tm_Cássia_Ribeiro.pdf23,66 MBAdobe PDFVer/Abrir


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Degois 

Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.