Radiomics-based model for characterization of tissue changes during response to treatment in preclinical glioblastoma.

Abstract

Glioblastoom (GB) is de meest voorkomende agressieve primaire hersentumor bij volwassenen, met slechts 5% vijfjaarsoverleving ondanks intensieve behandeling. GB blijft moeilijk te diagnosticeren en te behandelen. Standaardzorg omvat chirurgie gevolgd door radiotherapie en chemotherapie, maar herval is bijna onvermijdelijk. Vroege therapiebeslissingen zijn vaak onzeker, wat vertragingen veroorzaakt en de nood benadrukt aan betere evaluatie van therapierespons. MRI biedt uitgebreide structurele en functionele data die, gecombineerd met machine learning (ML), het beheer van GB-patiënten kunnen verbeteren. Deze thesis ontwikkelt en evalueert ML-classificatiemodellen om therapie-geïnduceerde veranderingen in het tumormicroklimaat te detecteren, gebruikmakend van het GL261-muismodel als preklinische referentie. Uit T2-gewogen MRI-beelden werden 90 kwantitatieve kenmerken geëxtraheerd: 42 textuurkenmerken en 48 morfologische kenmerken gebaseerd op Minkowski-functionalen. Om de hoge dimensionaliteit van de dataset te beperken, werden featureselectiemethoden toegepast in combinatie met algoritmes zoals logistische regressie, lineaire discriminantanalyse, K-nearest neighbors (KNN) en support vector machines (SVM). De resultaten tonen dat flexibelere modellen, vooral SVM met hogeregraad-polynomiale kernels en fijnmazige KNN, de beste prestaties leverden. Deze bevindingen benadrukken het potentieel van radiomics-gebaseerde modellen voor niet-invasieve monitoring van therapierespons in GB.