Visual Analytics Support for Chemotherapy Treatment Response Prediction in Breast Cancer Patients

Abstract

Brustkrebspatientinnen sprechen sehr unterschiedlich auf eine neoadjuvante Chemotherapie an, was die Vorhersage des individuellen Therapieansprechens erschwert. In dieser Arbeit wird untersucht, ob sich eine typische Radiomics-basierte Klassifikationsanalyse des Therapieansprechens durch die Integration eines mechanistischen Tumorwachstumsmodells, des Simeoni-Modells, verbessern lässt. Grundlage der Untersuchung bilden Diffusion-Weighted-Imaging-Daten (DWI) von 162 Patientinnen der ACRIN6698-Studie, aufgenommen zu vier Bildgebungszeitpunkten während ihrer Behandlung. Daraus wurden 428 Radiomics-Features sowie 15 aus dem Simeoni-Modell abgeleitete mechanistische Features extrahiert. Insgesamt wurden 116 Random-Forest-Modelle mit unterschiedlichen Feature-Sets, Zeitpunktkombinationen und Selektionsmethoden trainiert und mittels Leave-One-Out Cross-Validation für eine Klassifikation in fünf Ansprechkategorien evaluiert. Abschließend wurde ein interaktives Visual-Analytics-Dashboard zur systematischen Exploration des Experimentalraums entwickelt. Das beste Modell erzielte eine Genauigkeit von 90,1%, ausschließlich auf Basis von Radiomics-Features aller vier Bildgebungszeitpunkte. Modelle, die zusätzlich Simeoni-Features einbezogen, schnitten durchgehend schlechter ab, mit Einbußen zwischen 2,4% und 6,2%. Als stärkster Einflussfaktor auf die Klassifikationsgenauigkeit erwies sich die Anzahl der einbezogenen Bildgebungszeitpunkte: Die Genauigkeit stieg von 71,6% mit ausschließlich Baseline-Daten auf 90,1% bei Verwendung aller Zeitpunkte. Statistische Tests bestätigten, dass die Simeoni-Features redundant zu den Radiomics-Features sind und keinen komplementären Beitrag leisten. Für den klinischen Einsatz werden daher reine Radiomics-Modelle empfohlen. Das Simeoni-Modell liefert biologisch interpretierbare Kenngrößen zur Tumordynamik, trägt jedoch nicht zur Verbesserung der Klassifikation bei.

Predicting treatment response in breast cancer patients undergoing neoadjuvant chemotherapy remains challenging, due to the substantial variation in how tumors respond to treatment. This thesis investigates whether mathematical tumor growth modeling, specifically the Simeoni model, can enhance a typical radiomics-based treatment response classification analysis. We analyzed Diffusion Weighted Imaging (DWI) data from 162 patients in the ACRIN6698 trial across four imaging timepoints during their treatment, extracted 428 radiomic features and 15 Simeoni-derived mechanistic features, and trained 116 Random Forest model configurations across different feature sets and timepoint combinations using Leave-One-Out Cross-Validation for five-class treatment response classification. An interactive visual analytics dashboard was finally developed for the systematic exploration of the experimental space. The best model achieved 90.1% accuracy using radiomics-only features from all four imaging timepoints. Combined models with Simeoni features consistently underperformed, with accuracy reductions ranging from 2.4% to 6.2%. Multi-timepoint imaging was the strongest predictor of accuracy, increasing performance from 71.6% with baseline data to 90.1% with all timepoints. Statistical analysis confirmed that Simeoni features are redundant with multi-timepoint radiomic features rather than being complementary. For clinical application, radiomics-only models are recommended for treatment response classification. The Simeoni model provides biological insight into tumor dynamics but does not enhance classification performance.