| Περίληψη |
Η ραδιομεταγραφική (Radiotranscriptomics) είναι ένα αναπτυσσόμενο πεδίο που στοχεύει να συνδυάσει τα ραδιομικά χαρακτηριστικά που εξάγονται από την περιοχή του όγκου και τα προφίλ γονιδιακής έκφρασης, προκειμένου να συμβάλει στη διάγνωση, στο σχεδιασμό της θεραπείας και στην πρόγνωση του καρκίνου. Η συσχέτιση των μη επεμβατικών ραδιομικών χαρακτηριστικών με τα προφίλ έκφρασης του γονιδιωματικού υποστρώματος μπορεί να οδηγήσει στην ταυτοποίηση ισχυρών βιοδεικτών. Σε αυτή τη μελέτη, ραδιομικές και μεταγραφικές υπογραφές εξήχθησαν με βάση τις προγνωστικές τους σχέσεις και αξιολογήθηκαν για την ικανότητά τους να διακρίνουν τους κακοήθεις από τους γειτονικούς φυσιολογικούς ιστούς, καθώς και το στάδιο του καρκίνου του πνεύμονα. Τρία σύνολα μεταγραφικών δεδομένων από μικροσυστοιχίες γονιδίων και RNAseq τεχνολογία, χρησιμοποιήθηκαν για να επικυρώσουν την ικανότητα διαφοροποίησης μιας υπογραφής 73 γονιδίων υλοποιώντας γραμμικούς ταξινομητές Support Vector Machines (SVM), boxplots, t-tests και volcano plots. Επιπλέον, αναπτύχθηκαν μοντέλα γραμμικής παλινδρόμησης των μεταγραφικών χαρακτηριστικών που βασίζονται στα μη επεμβατικά ραδιομικά χαρακτηριστικά. Ένα σύνολο ραδιομεταγραφικών δεδομένων για το μη μικροκυτταρικό καρκίνο του πνεύμονα (ΜΜΚΠ), που περιέχει 112 ασθενείς με εικόνες αξονικής τομογραφίας και δεδομένα RNAseq, χρησιμοποιήθηκε για την αξιολόγηση των προγνωστικών μοντέλων των ραδιομικών και μεταγραφικών χαρακτηριστικών. Οι ραδιομικές, μεταγραφικές και ραδιομεταγραφικές υπογραφές που εξήχθησαν, χρησιμοποιήθηκαν για την υλοποίηση γραμμικών ταξινομητών SVM και Random Forest, προκειμένου να διερευνηθεί η ικανότητά τους να προβλέπουν το στάδιο του καρκίνου του πνεύμονα. Η μεταγραφική υπογραφή επικυρώθηκε για τη δυνατότητά της να διακρίνει τον κακοήθη από τον γειτονικό φυσιολογικό ιστό αξιολογώντας τους αλγόριθμους μηχανικής μάθησης και στατιστικής, επιτυγχάνοντας ακρίβεια μεγαλύτερη από 89% και στατιστική σημαντικότητα με τιμή p-value μικρότερη από e-12. Επίσης, η ανάλυση οδήγησε στην εύρεση 11 ραδιομικών και 9 μεταγραφικών χαρακτηριστικών που μπορούν να προβλεφθούν μέσω μη γραμμικής παλινδρόμησης δευτέρου βαθμού από τα μεταγραφικά και ραδιομικά χαρακτηριστικά, αντίστοιχα, χρησιμοποιώντας το σύνολο δεδομένων από RNAseq τεχνολογία. Όλοι οι ταξινομητές Random Forest είχαν ελαφρώς καλύτερη απόδοση από τους ταξινομητές SVM, επιτυγχάνοντας ακρίβεια ∼70-75%, ευαισθησία ∼70-75% και ειδικότητα ∼75-80%. Συνεπώς, οι ραδιομικές και μεταγραφικές υπογραφές έχουν την ικανότητα να προβλέπουν το στάδιο του καρκίνου του πνεύμονα και να βοηθούν στη λήψη αποφάσεων του σχεδιασμού της θεραπείας.
|
Extraction and validation of radiotranscriptomic signatures for Non-Small Cell Lung Cancer Diagnosis
