Lung cancer remains a significant global health challenge, being the leading cause of cancer-related deaths worldwide. Despite a decline in incidence due to decreased smoking rates, the burden of lung cancer persists, particularly in regions with ongoing tobacco consumption. Early detection remains critical, as prognosis varies greatly depending on disease stage, with localized disease showing significantly higher survival rates compared to metastatic cases. Immunotherapy has revolutionized cancer treatment, becoming the new standard for locally advanced and metastatic non-small cell lung cancer (NSCLC) patients. However, its efficacy is limited to a subset of patients (20-30%), with potential immune-related adverse effects.
Computed Tomography (CT) imaging plays a crucial role in lung cancer management, offering valuable information for disease prognosis, treatment planning, and intervention. Quantitative assessment of CT scans is gaining attention for its ability to gauge lung pathologies and correlate with tumor tissue phenotypes. It provides advantages such as low invasiveness, cost-effectiveness, and reduction of radiologist subjectivity and variability. Additionally, analyzing images at different time points may reveal temporal patterns, offering potential assistance in achieving more accurate assessment.
In this Ph.D. thesis, we propose a method for predicting treatment response in advanced lung cancer patients undergoing immunotherapy based on CT imaging and clinical information. Utilizing longitudinal data acquired during early treatment significantly improves prediction performance over baseline data models, underscoring the importance of incorporating patient information over time. Integration of imaging and clinical data provides a better understanding of treatment response, reflecting the close relationship between response and patient clinical condition. Moreover, we study the effects of image and feature harmonization on the radiomics features in order to enhance radiomics robustness against confounding factors associated with CT acquisition parameters. Finally, we propose a novel spatio-temporal deep learning network and methods for handling missing data, applied for predicting indeterminate lung nodule malignancy.
The results demonstrate the potential of the proposed methodologies for clinical use, effectively leveraging spatio-temporal information to improve treatment response prediction and to identify potential lung tumors.
RESUMEN
El cáncer de pulmón sigue siendo un importante desafío de salud global, siendo la principal causa de muerte relacionada con el cáncer en todo el mundo. A pesar de una disminución en la incidencia debido a la reducción de las tasas de tabaquismo, la carga del cáncer de pulmón persiste, especialmente en regiones en las que persisete el consumo de tabaco. La detección temprana sigue siendo fundamental, ya que el pronóstico varía considerablemente según el estadio de la enfermedad, con tasas de supervivencia significativamente más altas en casos de enfermedad localizada en comparación con casos metastásicos. La inmunoterapia ha revolucionado el tratamiento del cáncer, convirtiéndose en el nuevo estándar para pacientes con cáncer de pulmón no microcítico localmente avanzado y metastásico. Sin embargo, su eficacia se limita a un subconjunto de pacientes (20-30%), con posibles efectos adversos relacionados con el sistema inmunológico.
La Tomografía Computarizada (TC) juega un papel crucial en el manejo del cáncer de pulmón, ofreciendo información valiosa para el pronóstico de la enfermedad, la planificación del tratamiento y la intervención. La evaluación cuantitativa de las imágenes de TC está ganando atención por su capacidad para evaluar patologías pulmonares y correlacionarlas con fenotipos de tejidos tumorales. Ofrece ventajas como baja invasividad, rentabilidad y reducción de la subjetividad y variabilidad del radiólogo. Además, el análisis de las imágenes en diferentes instantes temporales puede permitir la identificación de patrones temporales, lo que podría ayudar en una valoración más precisa.
En esta Tesis Doctoral se propone un método para predecir la respuesta al tratamiento en pacientes con cáncer de pulmón avanzado tratados con inmunoterapia utilizando imágenes de TC y datos clínicos. La utilización de datos longitudinales adquiridos durante el inicio de la terapia mejora significativamente la predicción en comparación con los modelos basados en datos basales, subrayando la importancia de incorporar información del paciente a lo largo del tiempo. La integración de datos de imagen y clínicos proporciona una mejor comprensión de la respuesta al tratamiento, reflejando la estrecha relación entre la respuesta y la condición clínica del paciente. Además, estudiamos los efectos de la armonización de la imagen y de las características de radiómica para mejorar la robustez de las técnicas de radiómica frente a factores de confusión asociados con los parámetros de adquisición de TC. Finalmente, proponemos una nueva red de aprendizaje profundo espacio-temporal y métodos para procesar los datos que faltan, aplicados para predecir la malignidad de nódulos pulmonares indeterminados.
Los resultados demuestran el potencial de las metodologías propuestas para uso clínico, aprovechando eficazmente la información espacio-temporal para mejorar la predicción de la respuesta al tratamiento e identificar posibles tumores pulmonares.
Lung cancer remains a significant global health challenge, being the leading cause of cancer-related deaths worldwide. Despite a decline in incidence due to decreased smoking rates, the burden of lung cancer persists, particularly in regions with ongoing tobacco consumption. Early detection remains critical, as prognosis varies greatly depending on disease stage, with localized disease showing significantly higher survival rates compared to metastatic cases. Immunotherapy has revolutionized cancer treatment, becoming the new standard for locally advanced and metastatic non-small cell lung cancer (NSCLC) patients. However, its efficacy is limited to a subset of patients (20-30%), with potential immune-related adverse effects.
Computed Tomography (CT) imaging plays a crucial role in lung cancer management, offering valuable information for disease prognosis, treatment planning, and intervention. Quantitative assessment of CT scans is gaining attention for its ability to gauge lung pathologies and correlate with tumor tissue phenotypes. It provides advantages such as low invasiveness, cost-effectiveness, and reduction of radiologist subjectivity and variability. Additionally, analyzing images at different time points may reveal temporal patterns, offering potential assistance in achieving more accurate assessment.
In this Ph.D. thesis, we propose a method for predicting treatment response in advanced lung cancer patients undergoing immunotherapy based on CT imaging and clinical information. Utilizing longitudinal data acquired during early treatment significantly improves prediction performance over baseline data models, underscoring the importance of incorporating patient information over time. Integration of imaging and clinical data provides a better understanding of treatment response, reflecting the close relationship between response and patient clinical condition. Moreover, we study the effects of image and feature harmonization on the radiomics features in order to enhance radiomics robustness against confounding factors associated with CT acquisition parameters. Finally, we propose a novel spatio-temporal deep learning network and methods for handling missing data, applied for predicting indeterminate lung nodule malignancy.
The results demonstrate the potential of the proposed methodologies for clinical use, effectively leveraging spatio-temporal information to improve treatment response prediction and to identify potential lung tumors.
RESUMEN
El cáncer de pulmón sigue siendo un importante desafío de salud global, siendo la principal causa de muerte relacionada con el cáncer en todo el mundo. A pesar de una disminución en la incidencia debido a la reducción de las tasas de tabaquismo, la carga del cáncer de pulmón persiste, especialmente en regiones en las que persisete el consumo de tabaco. La detección temprana sigue siendo fundamental, ya que el pronóstico varía considerablemente según el estadio de la enfermedad, con tasas de supervivencia significativamente más altas en casos de enfermedad localizada en comparación con casos metastásicos. La inmunoterapia ha revolucionado el tratamiento del cáncer, convirtiéndose en el nuevo estándar para pacientes con cáncer de pulmón no microcítico localmente avanzado y metastásico. Sin embargo, su eficacia se limita a un subconjunto de pacientes (20-30%), con posibles efectos adversos relacionados con el sistema inmunológico.
La Tomografía Computarizada (TC) juega un papel crucial en el manejo del cáncer de pulmón, ofreciendo información valiosa para el pronóstico de la enfermedad, la planificación del tratamiento y la intervención. La evaluación cuantitativa de las imágenes de TC está ganando atención por su capacidad para evaluar patologías pulmonares y correlacionarlas con fenotipos de tejidos tumorales. Ofrece ventajas como baja invasividad, rentabilidad y reducción de la subjetividad y variabilidad del radiólogo. Además, el análisis de las imágenes en diferentes instantes temporales puede permitir la identificación de patrones temporales, lo que podría ayudar en una valoración más precisa.
En esta Tesis Doctoral se propone un método para predecir la respuesta al tratamiento en pacientes con cáncer de pulmón avanzado tratados con inmunoterapia utilizando imágenes de TC y datos clínicos. La utilización de datos longitudinales adquiridos durante el inicio de la terapia mejora significativamente la predicción en comparación con los modelos basados en datos basales, subrayando la importancia de incorporar información del paciente a lo largo del tiempo. La integración de datos de imagen y clínicos proporciona una mejor comprensión de la respuesta al tratamiento, reflejando la estrecha relación entre la respuesta y la condición clínica del paciente. Además, estudiamos los efectos de la armonización de la imagen y de las características de radiómica para mejorar la robustez de las técnicas de radiómica frente a factores de confusión asociados con los parámetros de adquisición de TC. Finalmente, proponemos una nueva red de aprendizaje profundo espacio-temporal y métodos para procesar los datos que faltan, aplicados para predecir la malignidad de nódulos pulmonares indeterminados.
Los resultados demuestran el potencial de las metodologías propuestas para uso clínico, aprovechando eficazmente la información espacio-temporal para mejorar la predicción de la respuesta al tratamiento e identificar posibles tumores pulmonares. Read More
Related posts:
Enfrentar el cáncer de mama en equipo, el impacto del apoyo emocional ante los tratamientos oncológicos
In Vivo and In Vitro Study on the Mechanism of Anticervical Cancer Effects of Corilagin in Mice
Técnicas de IA para el diagnóstico precoz de Leucemia Mieloide Aguda
mediante la detección de ADN en biopsia líquida: estudio del estado del arte