Αξιολόγηση απόκρισης της εξωτερικής ακτινοθεραπείας προστάτη με την χρήση προηγμένων απεικονιστικών τεχνικών

Abstract

Prostate cancer is one of the most common malignancies in men, with radiotherapy representing a cornerstone therapeutic option. The assessment of treatment response has traditionally relied on clinical and biochemical markers, such as Prostate Specific Antigen, which, however, show limited reliability, particularly in early stages or following focal therapies. In this context, the present doctoral dissertation investigates the contribution of advanced quantitative Magnetic Resonance Imaging parameters, radiomic features, and machine learning algorithms to the early and objective evaluation of Prostate cancer response to radiotherapy. MRI data were analyzed at three timepoints (before, during, and after the completion of radiotherapy), examining prostate volume, T2 and T2 relaxation times, Apparent Diffusion Coefficient values, as well as radiomic features extracted from T2-weighted and diffusion-weighted imaging. Additionally, the association of these parameters with delivered radiation dose, radiotherapy regimen, and administration of hormone therapy was explored. Machine learning models such as Random Forest, k-Neural Network,Naive Bayes, Logistic Regression and Neural Network, were also developed and evaluated for the discrimination of benign and malignant lesions using imaging, radiomic, and clinical data. The results demonstrated that prostate volume and T2 relaxation exhibited statistically significant temporal changes and correlation with radiation dose, reflecting early radiation-induced alterations. In contrast, Apparent Diffusion Coefficient and T2 values remained relatively stable at the whole-prostate level. Radiomic features, particularly from Diffusion-Weighted Imaging, revealed time-dependent changes in tissue heterogeneity and microstructure. Machine learning models achieved optimal performance when combining radiomic features with clinical variables, such as Prostate Specific Antigen, showing enhanced discriminative and diagnostic capability in lesion characterization. Neural networks and Support Vector Machine models achieved the highest Area Under Curve values, highlighting their accuracy in lesion classification and prediction.In conclusion, this study supports that the combination of quantitative Magnetic Resonance Imaging, radiomic analysis, and machine learning can substantially contribute to the evaluation of radiation-induced effects in the prostate, improving the understanding of tissue alterations and providing reliable tools for clinical decision-making, paving the way for tailored and personalized monitoring and therapeutic strategies.

Ο καρκίνος του προστάτη αποτελεί μία από τις συχνότερες κακοήθειες στους άνδρες, με την ακτινοθεραπεία να συνιστά βασική θεραπευτική επιλογή. Η αξιολόγηση της ανταπόκρισης στη θεραπεία βασίζεται παραδοσιακά σε κλινικούς και βιοχημικούς δείκτες, όπως το Ειδικό Προστατικό Αντιγόνο, οι οποίοι όμως παρουσιάζουν περιορισμένη αξιοπιστία, ιδιαίτερα σε πρώιμα στάδια ή μετά από εστιακές θεραπείες. Στο πλαίσιο αυτό, η παρούσα διδακτορική διατριβή διερευνά τη συμβολή προηγμένων ποσοτικών απεικονιστικών παραμέτρων Μαγνητικής Τομογραφίας, ραδιομικών χαρακτηριστικών και αλγορίθμων μηχανικής μάθησης στην πρώιμη και αντικειμενική αξιολόγηση της ανταπόκρισης του καρκίνου του προστάτη στην ακτινοθεραπεία. Πραγματοποιήθηκε ανάλυση δεδομένων Μαγνητικής Τομογραφίας σε τρία χρονικά σημεία (πριν, κατά τη διάρκεια και μετά την ολοκλήρωση της ακτινοθεραπείας), εξετάζοντας τον όγκο του προστάτη, τους χρόνους χαλάρωσης Τ2 και Τ2*, τις τιμές του Συντελεστή Διάχυσης, καθώς και ραδιομικά χαρακτηριστικά από T2-βαρύτητας και Απεικόνισης Διάχυσης εικόνες. Παράλληλα, μελετήθηκε η συσχέτιση των παραμέτρων αυτών με τη χορηγούμενη δόση ακτινοβολίας, το σχήμα της ακτινοθεραπείας και τη λήψη ορμονοθεραπείας. Επιπλέον, αναπτύχθηκαν και αξιολογήθηκαν τα μοντέλα μηχανικής μάθησης Random Forest, k-Neural Network, Naive Bayes Logistic Regression και Neural Network. Με σκοπό τη διάκριση καλοήθων και κακοήθων βλαβών, με χρήση απεικονιστικών, ραδιομικών και κλινικών δεδομένων.Τα αποτελέσματα έδειξαν ότι ο όγκος και ο χρόνος χαλάρωσης Τ2 παρουσιάζουν στατιστικά σημαντικές χρονικές μεταβολές και συσχέτιση με τη δόση ακτινοβολίας, αντανακλώντας πρώιμες μεταβολές λόγω ακτινοβολίας. Αντίθετα, οι τιμές του συντελεστή διάχυσης και Τ2* παρέμειναν σχετικά σταθερές στο επίπεδο ολόκληρου του προστάτη. Τα ραδιομικά χαρακτηριστικά, ιδιαίτερα από την Απεικόνιση Διάχυσης, ανέδειξαν χρονικά εξαρτώμενες μεταβολές στη χωρική ετερογένεια και τη μικροδομή του ιστού. Τα μοντέλα μηχανικής μάθησης παρουσίασαν τη βέλτιστη απόδοση όταν συνδυάστηκαν ραδιομικά χαρακτηριστικά με κλινικές μεταβλητές, όπως το Ειδικό Προστατικό Αντιγόνο, επιδεικνύοντας αυξημένη διακριτική και διαφοροδιαγνωστική ικανότητα στον χαρακτηρισμό των βλαβών. Τα νευρωνικά δίκτυα και τα μοντέλα υποστήριξης διανυσμάτων πέτυχαν τις υψηλότερες τιμές περιοχής κάτω από την καμπύλη, υπογραμμίζοντας την ικανότητά τους στην ακριβή διάκριση και πρόβλεψη. Συμπερασματικά, η μελέτη υποστηρίζει ότι ο συνδυασμός δεικτών ποσοτικής Μαγνητικής Απεικόνισης, ραδιομικής ανάλυσης και μηχανικής μάθησης μπορεί να συμβάλει σημαντικά στην αξιολόγηση της επίδρασης της ακτινοβολίας στον προστάτη, ενισχύοντας την κατανόηση των μεταβολών του ιστού και παρέχοντας αξιόπιστα εργαλεία για τη λήψη κλινικών αποφάσεων, ανοίγοντας τον δρόμο για προσαρμοσμένες και εξατομικευμένες στρατηγικές παρακολούθησης και θεραπείας.