Magnetic Resonance Imaging Biomarkers in Liver Metastases - "Machine Learning" Applications

Abstract

The third most commonly diagnosed cancer worldwide and the second leading cause of cancer-related deaths is colorectal cancer (CRC). The liver is the organ most commonly affected by the spread of metastases from this type of cancer. While liver resection is currently the most effective treatment for patients with CRC, that have liver metastases (CRCLM), however not all patients are able to undergo this procedure. Therefore, it would be ideal to choose a personalised treatment based on the patient's biology.Several studies have shown that the knowledge of type of the histological growth pattern (HGP)is important in the choice of treatments. The HGP is the tissue margin between the metastases and the non-tumour liver parenchyma. These patterns can be divided into three types: desmoplastic (dHGP), replacement (rHGP) or pushing (pHGP). However, despite their importance, it can only be determined after histological analysis of the surgically removed piece. Magnetic resonance imaging (MRI) is the exam of choice in the preoperative evaluation of patients with CRCLM, as it allows detailed examination of the tumour-liver interface. The aim of this work is to develop an artificial intelligence application for non-invasive prediction of HGPs from MR images.Images acquired with MRI were analysed using a radiomics approach, which allows biological information to be extracted from an image. Different machine learning techniques were tested to build a model capable of classifying the types of HGP based on the textural information extracted from the images. Among the categories of machine learning approaches, two classification approaches were considered. The first approach, called the multiclass classifier, considered three classes to be classified: desmoplastic HGP, replacement and pushing. The second approach, the binary classifier, considered a model with only two classes: desmoplastic or non-desmoplastic HGPs (including replacement and pushing).The image information (features) to be included in the prediction models was selected by testing two different methods. A classification model was created for each phase of image acquisition in the CRCLM clinical assessment protocol and the predictive ability of each model was assessed using the metrics of recall, precision, f1-score, accuracy, ROC curve and area under the curve (AUC). The probabilities that a lesion belongs to a particular class were extracted from the best performing models for each phase. These probabilities were included as new features in a final model, which was also evaluated using the above metrics.The best results were obtained with the binary classifier. The f1-score for predicting the desmoplastic pattern was 0.84 for the training data and 0.80 for the test data. The test data also showed an AUC of 0.83. The accuracy was 0.85 for the training data and 0.82 for the test data, showing that some models were efficient in classifying the desmoplastic histological growth pattern.

O terceiro tipo de cancro mais comumente diagnosticado no mundo, e que ocupa o segundo lugar em mortes relacionadas com o cancro, é o cancro colorretal (CRC). O fígado é o órgão mais comum para a disseminação das metástases desse tipo de cancro. A ressecção hepática é atualmente o tratamento mais efetivo para os doentes com CRC que apresentam metástases hepáticas (MHCRC). No entanto nem todos os doentes estão aptos para serem submetidos a este procedimento. O ideal seria escolher um tratamento personalizado baseado na biologia do doente.Diversos estudos demonstraram que o padrão de crescimento histológico (PCH) são relevantes na escolha de tratamentos. O PCH é a margem de tecido entre as metástases e o parênquima de fígado não-tumoral. Esse padrão pode ser classificado em três tipos: desmoplástico (dPCH), infiltrativo (rPCH) ou expansivo (pPCH). Contudo, apesar da sua importância, estes só podem ser determinados após a análise histológica da peça removida cirurgicamente. A ressonância magnética (RM) é o exame de escolha na avaliação pré-operatória dos doentes com MHCRC, uma vez que possibilita estudar de forma detalhada a interface tumor-fígado. O trabalho desta tese tem como objetivo desenvolver uma aplicação de inteligência artificial para prever os PCH de forma não invasiva, a partir de imagens adquiridas por RM.Foram analisadas imagens adquiridas por RM com a abordagem de radiómica, que permite extrair informações biológicas a partir de uma imagem, e testaram-se diversas técnicas de machine learning com o intuito de criar um modelo capaz de classificar os tipos de PCH a partir da informação extraída das imagens. Entre as categorias de abordagens de machine learning, foram consideradas duas abordagens de classificação. A primeira abordagem, chamada de classificador multiclasse, considerou três classes a serem classificadas: PCH desmoplástico, infiltrativo e expansivo. Já a segunda abordagem, de classificação binária, considerou um modelo com apenas duas classes: PCH desmoplástico ou não desmoplástico (incluindo infiltrativo e expansivo).As informações extraídas das imagens features foram selecionadas testando dois métodos diferentes. Criou-se um modelo de classificação para cada fase de aquisição de imagem no protocolo clínico de avaliação de MHCRC e avaliou-se a capacidade preditiva de cada modelo utilizando as métricas de revocação, precisão, f1-score, curva ROC e área sob a curva (AUC), e ainda a acurácia. As probabilidades de uma lesão pertencer a uma classe em particular foram extraídas dos modelos com melhor desempenho para cada fase, sendo consideradas como novas features num modelo final que também foi avaliado utilizando as métricas mencionadas.Os melhores resultados foram obtidos com o classificador binário. O f1-score para a previsão do padrão desmoplástico foi de 0.84 para os dados de treino e 0.80 para os dados de teste. Os dados de teste também apresentaram uma AUC de 0.83. A acurácia foi de 0.85 para o treino e de 0.82 para o teste.