Please use this identifier to cite or link to this item: https://hdl.handle.net/10316/92596
Title: Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
Other Titles: Avaliar e prever a necessidade de radioterapia adaptativa em doentes de cabeça e pescoço
Authors: Alves, Natalia Bortolami Colaco
Orientador: Dias, Joana Maria Pina Cabral Matos
Lopes, Maria do Carmo
Keywords: Radioterapia; Radioterapia Adaptativa; Cabeça e Pescoço; Radiomics; Machine Learning; Radiotherapy; Adaptive Radiotherapy; Head and Neck; Radiomics; Machine Learning
Issue Date: 23-Jul-2020
Serial title, monograph or event: Assessing and predicting the need for Adaptive Radiotherapy in Head & Neck cancer patients
Place of publication or event: IPOCFG
Abstract: Hoje em dia a grande maioria de doentes com cancro da cabeça e pescoço localmente avançado requerem radioterapia, sendo a radioterapia de intensidade modulada (IMRT) o padrão para tratamento. As distribuições de dose altamente conformacionais obtidas com IMRT originam gradientes de dose acentuados nas margens dos volumes alvo, que por sua vez são extremamente sensíveis a erros posicionais e mudanças anatómicas, especialmente em casos de cabeça e pescoço uma vez que existem várias estruturas críticas muito próximas dos volumes alvo.Vários fatores podem contribuir para alterações anatómicas tanto nos volumes alvo como nos órgãos de risco (OAR) durante tratamentos de radioterapia, que podem originar discrepâncias na administração de dose, nomeadamente subdosagem dos volumes alvos e/ou sobredosagem dos órgãos de risco, potencialmente originando efeitos secundários não esperados.Uma possível solução para este problema é Radioterapia Adaptativa. Recentemente muita atenção tem sido direcionada a este tópico, devido aos seus encorajadores potenciais benefícios, no entanto, questões acerca do seu impacto dosimétrico e da identificação dos doentes com maior probabilidade de beneficiar de adaptação ainda permanecem por responder. O objetivo desta dissertação é abordar estes dois problemas.Na primeira parte da dissertação, a necessidade de radioterapia adaptativa é avaliada numa amostra de trinta doentes de cabeça e pescoço do IPOCFG. Recorreu-se a uma ferramenta de planeamento automático para gerar planos que simulam os cenários com e sem adaptação. Diferenças dosimétricas estatisticamente significativas foram encontradas para os volumes alvo, que apresentaram doses quase mínimas inferiores no cenário não adaptativo, e para a espinal medula, que apresentou uma dose máxima significativamente maior no cenário não adaptativo.A segunda parte da dissertação concentra-se no desenvolvimento de modelos de machine learning para prever, antes do início do tratamento, que doentes vão necessitar de radioterapia adaptativa. Foram desenvolvidos três modelos de support vector machine: 1) considerando apenas dados clínicos pré-tratamento; 2) considerando apenas atributos radiómicos extraídos de imagens de tomografia computorizada pré-tratamento. 3) considerando uma combinação de 1 e 2. Os melhores resultados foram obtidos considerando 6 atributos (4 semânticos e 2 radiómicos) com precisão e área abaixo da curva ROC de 0.821 e 0.843 respetivamente.
Currently the majority of patients with locally advanced head and neck (H&N) cancer require radiotherapy, with intensity modulated radiation therapy (IMRT) being the gold standard for treatment. The highly conformal dose distributions produced by IMRT lead to steep dose gradients in the borders of the target volumes, which are extremely sensitive to positional errors and anatomic changes, especially in H&N cases, since there are many critical structures close to the target volumes.Several factors can lead to anatomic alterations of both the target volumes and organs at risk (OAR) during radiotherapy treatments which may originate discrepancies in dose delivery, namely underdosage of the target volume and/or to overdosage of the normal structures, potentially originating unexpected side effects. A possible solution to this problem is Adaptive Radiotherapy (ART). Recently a great deal of scientific attention has been drawn to this topic due to its encouraging potential benefits, but questions remain about whether patients benefit from a dosimetric improvement by ART, and about the identification of the patients that are more likely to need it. The purpose of this dissertation is to address these two issues.In the first part of this dissertation, the need for ART is assessed in a cohort of thirty patients from IPOCFG. This was done by using an automatic planning tool to generate plans simulating the scenarios with and without adaptation. Statistically significant dosimetric differences were reported for the target volumes, which presented lower near minimum dose in the non-adaptive scenario, and for the spinal cord, that showed a significant larger maximum dose in the non-adaptive scenario.The second part of the dissertation focuses on developing machine learning models to predict which patients will require adaptive radiotherapy prior to the beginning of treatment. Three support vector machine models were developed: 1) considering only pre-treatment clinical data from the patient; 2) considering only radiomic features extracted from pre-treatment computed tomography images; 3) using a combination of features from 1 and 2. The best classification results were obtained considering 6 features (4 semantic and 2 radiomic) with median accuracy and area under the receiver operating characteristic curve of 0.821 and 0.843, respectively.
Description: Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
URI: https://hdl.handle.net/10316/92596
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Dissertação.pdf1.94 MBAdobe PDFView/Open
Show full item record

Page view(s)

288
checked on Mar 26, 2024

Download(s)

200
checked on Mar 26, 2024

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons