Radiomic biomarkers using artificial intelligence (AI)

Abstract

The integration of AI and radiomics opened new horizons within the current paradigm of managing diagnosis and prognosis in lung cancer. In such a context, the present doctoral work undertakes serious problems in the sector of precision oncology. It tends to propose innovative for the early modeling and clinical interpretation of treatment response in patients who underwent radiation and assessment of risks developing of radiation-induced pneumonitis (RP) in non-small-cell-lung cancer (NSCLC) patients. This research initially presents an enormous opportunity using radiomics in uncovering hidden quantitative biomarkers within medical images that enhance the characterization of NSCLC, thus allowing a forecast of outcomes pertaining to treatment response. Using an advanced AI deep learning approach, the researchers show remarkable enhancement of RP forecasting with an AUC-ROC at 0.87, an improvement over past machine learning analysis. Based on these successes, this thesis goes a step further to develop the first framework that marries multi-modal radiomic data-specifically, PET/CT imaging-with interpretable AI methods, including SHAP and LIME. The proposed hybrid model approach not only enhances the analytical performance of AI models in their prognostic capacity and outcome stratification but also provides far-reaching insights into the decision-making process toward ensuring clinical trust and collaboration. These models achieved a Multi-Modal AUC-ROC of 0.90, further establishing their efficiency in distinguishing pathological variations with interpretability. To support the development and validation of the proposed AI-based radiomic models, this doctoral work employed a combination of publicly available and private clinical imaging datasets. Public data sources included repositories such as The Cancer Imaging Archive (TCIA), with NSCLC-Radiomics and RIDER datasets being central to initial experimentation. In addition, private clinical repositories were accessed through established collaborations between our research team at the Medical Physics Department (MPD) at the University Hospital of Larissa, Greece. The MPD is actively engaged in clinical practice, research, and education, and collaborates with the private healthcare sector to acquire imaging datasets of patients diagnosed with lung cancer and radiation-induced pneumonitis. These clinical datasets include a wide range of CT scans and radiographic studies from individuals undergoing chest radiotherapy for various thoracic malignancies. All patient data were handled in strict accordance with data protection and ethical guidelines, ensuring full anonymization, secure storage, and encrypted handling procedures. The entire data lifecycle adhered to the requirements of the General Data Protection Regulation (GDPR), thereby safeguarding patient confidentiality while supporting robust and ethically grounded scientific exploration. This thesis, for the first time, proposes GANs and self-supervised learning to generate synthetic data that will be helpful in conducting robust model training with limited annotated datasets, thus overcoming inherent challenges of data scarcity. These approaches were found instrumental for enhancing detection and localization of RP-affected regions with very high accuracy, setting new benchmarks for early diagnosis and personalized treatment planning in radiation oncology. The study describes a paradigm shift in the translational use of AI-powered radiomics by laying out a holistic framework that bridges the gap between prognostic insight and clinical applicability. Thus, these results open new opportunities for academic and clinical fields on a path toward truly precision oncology, non-invasiveness, transparency, robustness, and clinical value that has not existed before.

Η ενσωμάτωση της Τεχνητής Νοημοσύνης (AI) και της ραδιομικής (radiomics) άνοιξε νέους ορίζοντες στο υφιστάμενο παράδειγμα διαχείρισης της διάγνωσης και πρόγνωσης στον καρκίνο του πνεύμονα. Στο πλαίσιο αυτό, η παρούσα διδακτορική εργασία πραγματεύεται σοβαρά προβλήματα στον τομέα της εξατομικευμένης ογκολογίας (precision oncology). Στοχεύει στην πρόταση καινοτόμων μεθόδων για την έγκαιρη μοντελοποίηση και κλινική ερμηνεία της ανταπόκρισης στη θεραπεία σε ασθενείς που υποβλήθηκαν σε ακτινοβολία, καθώς και για την εκτίμηση του κινδύνου εμφάνισης ακτινοθεραπευτικής πνευμονίτιδας (RP) σε ασθενείς με μη-μικροκυτταρικό καρκίνο του πνεύμονα (NSCLC). Η έρευνα αυτή παρουσιάζει εξαρχής μια τεράστια ευκαιρία για την αξιοποίηση της ραδιομικής στην ανάδειξη κρυφών ποσοτικών βιοδεικτών μέσα από ιατρικές εικόνες, οι οποίοι ενισχύουν τη χαρακτηριστική απεικόνιση του NSCLC, επιτρέποντας την πρόβλεψη της ανταπόκρισης στη θεραπεία. Μέσω προηγμένων τεχνικών βαθιάς μάθησης (deep learning) τεχνητής νοημοσύνης, οι ερευνητές επιτυγχάνουν εντυπωσιακή βελτίωση στην πρόγνωση της RP, με τιμή AUC-ROC 0.87, ξεπερνώντας προηγούμενες μεθόδους μηχανικής μάθησης. Βασισμένη σε αυτές τις επιτυχίες, η διατριβή προχωρά ένα βήμα παραπέρα, αναπτύσσοντας το πρώτο πλαίσιο που συνδυάζει πολυτροπικά ραδιομικά δεδομένα – και συγκεκριμένα PET/CT απεικόνιση – με ερμηνεύσιμες μεθόδους AI, όπως οι SHAP και LIME. Η προτεινόμενη υβριδική προσέγγιση όχι μόνο ενισχύει την αναλυτική απόδοση των μοντέλων AI ως προς την προγνωστική τους ικανότητα και την ταξινόμηση των αποτελεσμάτων, αλλά παρέχει και ουσιαστικές γνώσεις για τη λήψη κλινικών αποφάσεων, ενισχύοντας την εμπιστοσύνη και τη συνεργασία με το ιατρικό προσωπικό. Τα εν λόγω μοντέλα πέτυχαν πολυτροπικό AUC-ROC ίσο με 0.90, ενισχύοντας περαιτέρω την αποτελεσματικότητά τους στη διάκριση παθολογικών μεταβολών με ταυτόχρονη ερμηνευσιμότητα. Για την υποστήριξη της ανάπτυξης και επικύρωσης των προτεινόμενων ραδιομικών μοντέλων με AI, η παρούσα διατριβή αξιοποίησε έναν συνδυασμό δημόσιων και ιδιωτικών κλινικών απεικονιστικών συνόλων δεδομένων. Οι δημόσιες πηγές περιλάμβαναν αποθετήρια όπως το The Cancer Imaging Archive (TCIA), με βασικά σύνολα τα NSCLC-Radiomics και RIDER. Επιπλέον, χρησιμοποιήθηκαν ιδιωτικά κλινικά δεδομένα μέσω εδραιωμένων συνεργασιών με την ερευνητική μας ομάδα στο Εργαστήριο Ιατρικής Φυσικής (ΕΙΦ) του Πανεπιστημιακού Νοσοκομείου Λάρισας. Το ΕΙΦ δραστηριοποιείται ενεργά στην κλινική πράξη, την έρευνα και την εκπαίδευση, συνεργαζόμενο με τον ιδιωτικό τομέα υγείας για την απόκτηση απεικονιστικών δεδομένων από ασθενείς με διαγνωσμένο καρκίνο του πνεύμονα και ακτινοθεραπευτική πνευμονίτιδα. Τα εν λόγω δεδομένα περιλαμβάνουν CT τομογραφίες και ακτινογραφικές μελέτες ασθενών που υποβλήθηκαν σε ακτινοθεραπεία θώρακα για διάφορες θωρακικές κακοήθειες. Όλα τα δεδομένα ασθενών διαχειρίστηκαν με αυστηρή τήρηση των αρχών προστασίας προσωπικών δεδομένων και δεοντολογίας, διασφαλίζοντας πλήρη ανωνυμοποίηση, ασφαλή αποθήκευση και κρυπτογραφημένη διαχείριση. Ολόκληρος ο κύκλος ζωής των δεδομένων συμμορφώθηκε με τον Γενικό Κανονισμό για την Προστασία Δεδομένων (GDPR), διασφαλίζοντας το ιατρικό απόρρητο, παράλληλα με την υποστήριξη αξιόπιστης και δεοντολογικά ορθής επιστημονικής διερεύνησης. Η διατριβή προτείνει, για πρώτη φορά, τη χρήση Γενετικών Αντιπαραθετικών Δικτύων (GANs) και τεχνικών αυτο-επιβλεπόμενης μάθησης (self-supervised learning) για τη δημιουργία συνθετικών δεδομένων, διευκολύνοντας την εκπαίδευση εύρωστων μοντέλων όταν οι σχολιασμένες εικόνες είναι περιορισμένες. Με τον τρόπο αυτό, ξεπερνιούνται οι εγγενείς προκλήσεις της έλλειψης δεδομένων. Οι προσεγγίσεις αυτές αποδείχθηκαν καθοριστικές για τη βελτιωμένη ανίχνευση και εντοπισμό περιοχών που έχουν προσβληθεί από RP, με πολύ υψηλή ακρίβεια, θέτοντας νέα πρότυπα για την έγκαιρη διάγνωση και τον εξατομικευμένο σχεδιασμό θεραπείας στην ακτινοθεραπευτική ογκολογία. Η μελέτη περιγράφει μια ουσιαστική μεταστροφή στο μεταφραστικό πεδίο εφαρμογής της AI-υποβοηθούμενης ραδιομικής, διαμορφώνοντας ένα ολιστικό πλαίσιο που γεφυρώνει το χάσμα ανάμεσα στην προγνωστική πληροφόρηση και την κλινική εφαρμοσιμότητα. Τα αποτελέσματα αυτά ανοίγουν νέους ορίζοντες για την ακαδημαϊκή και κλινική κοινότητα, προς την κατεύθυνση της πραγματικής εξατομικευμένης ογκολογίας, της μη-επεμβατικότητας, της διαφάνειας, της ανθεκτικότητας και της κλινικής αξίας – που μέχρι πρότινος δεν υπήρχαν.