Riassunto analitico
Il tumore ai polmoni è una delle principali cause di mortalità nel mondo e la sua tipologia più diffusa è il cancro non a piccole cellule (NSCLC) che ricopre circa l’85% delle neoplasie polmonari che ogni anno vengono diagnosticate.
Per elaborare diagnosi, prognosi e relativi trattamenti i medici si avvalgono di esami istologici invasivi e di ulteriori informazioni quantitative relative alla massa tumorale estraibili attraverso diverse tecniche di imaging biomedico. Negli ultimi anni, nel campo della medicina, la radiomica ha assunto un ruolo sempre più centrale come strumento di supporto alle decisioni dei medici.
Attraverso il processo radiomico si è in grado di estrarre feature di tipo quantitativo da immagini mediche e di combinarle insieme ad altre informazioni cliniche e personali relative ai pazienti al fine di creare modelli predittivi in grado di supportare gli esperti durante la fase di diagnosi, prognosi e pianificazione delle cure.
In questo ambito assumono grande importanza le tecniche di machine learning in grado di apprendere autonomamente pattern dai dati al fine di sviluppare modelli predittivi e di selezione delle feature sempre più riproducibili e accurati.
All’interno del processo radiomico, le tecniche di machine learning assumono un ruolo centrale durante le fasi di segmentazione delle immagini, acquisite attraverso differenti tecnologie quali CT, PET o RMI, di selezione e di successiva analisi delle feature.
Lo scopo di questa tesi è quello di analizzare due studi presenti in letteratura che applicano tecniche differenti di apprendimento automatico supervisionato e non supervisionato in grado di sviluppare modelli predittivi e di selezione delle feature al fine di prevedere il tempo di sopravvivenza globale (Overall Survival) di pazienti affetti da tumore polmonare non a piccole cellule attraverso l’analisi di feature radiomiche.
Entrambi i lavori dimostrano che l’applicazione di tecniche di machine learning all’interno della radiomica può essere in grado di sviluppare accurati modelli predittivi caratterizzati da buone performance capaci di predire l’overall survival in pazienti affetti da NSCLC.
|
