Using CACTUS, a classification AI, to predict survival outcomes in a gastric cancer cohort

• Type: Thesis
• Date: 2024-07-01

Authors

Ricardo Nuno Teixeira Peres (Author) FMUP

Thesis

Using CACTUS, a classification AI, to predict survival outcomes in a gastric cancer cohort

Master's Degree

Dissertation

Scientific classification

FOS: Medical and Health sciences > Clinical medicine

Associated Institutions

FMUP - Faculdade de Medicina da Universidade do Porto

Other information

DOI: 10.34626/zsbh-d209

Resumo (PT): Contextualização: O cancro gástrico (GC) é uma neoplasia com um comportamento sexualmente dimórfico, cujo tratamento beneficia da inclusão de quimioterapia neoadjuvante (NeoChT), contudo, modelos de predição de prognóstico estão em falta. A ferramenta de aprendizagem automática CACTUS – Comprehensive Abstraction and Classification Tool for Uncovering Structures – foi desenvolvida seguindo os princípios de inteligiência artificial explicável, especificamente para as bases de dados pequenas e incompletas das ciências da saúde. Neste estudo, utilizamos a ferramenta CACTUS para desenvolver um modelo de previsão da sobrevivência de pacientes com GC. Métodos: Estudamos 137 casos de GC operados, 51 dos quais foram submetidos a NeoChT. Os dados recolhidos incluíram informação demográfica, histopatológica, molecular, clínica e sobre estadiamento. O CACTUS foi utilizado para analisar os dados e classificar os pacientes de acordo com o seu estado de sobrevivência. Duas experiências foram realizadas com o CACTUS, a primeira incluiu informação sobre estadiamento, enquanto que na segunda experiência não foram incluídos estes dados. Cada experiência foi efetuada utilizando a totalidade da base de dados, bem como os dados estratificados por sexo e de acordo com a realização de NeoChT. A classificação produzida pelo CACTUS foi caracterizada utilizando a acuidade, acuidade equilibrada (BA), sensibilidade, especificidade, valor preditivo positivo e valor preditivo negativo. Adicionalmente, foram gerados gráficos de conhecimento para evidenciar agregação de variáveis e foram avaliadas as variáveis individuais para determinar a sua influência na classificação. Efetuou-se análise estatística clássica, cujos resultados foram comparados com os resultados da classificação pelo CACTUS. Resultados: A primeira experiência originou uma classificação de alta qualidade (BA=75.9%), sendo que as variáveis mais relevantes para a classificação foram as metástases ganglionares, invasão perineural e estagio patológico M. Na segunda experiência, a qualidade da classificação foi inferior (BA=66.4%), sendo as variáveis mais relevantes a invasão perineural, invasão linfovascular e presença de estroma linfóide. A classificação com recurso a dados estratificados obteve uma melhor qualidade, com a exceção para o sexo feminino na segunda experiência (BA=65.8%). Para o sexo feminino, a variável mais importante para a classificação foi a instabilidade de microsatélites, com a estatística clássica a indicar a existência de uma diferença estatisticamente significativa entre sobreviventes e não sobreviventes (p=0.034), enquanto que para o sexo masculino a idade foi a variável mais relevantes, que também apresentava diferenças estatisticamente significativas. Conclusões: A ferramenta CACTUS tem uma elevada performance na classificação de pacientes com GC de acordo com o seu estado de sobrevivência. Esta ferramenta poderá ter um papel na prática clínica na previsão do prognóstico de doentes com GC.

Abstract (EN): Background: Gastric cancer (GC) is a malignancy with sexually dimorphic behaviour, that benefits from neoadjuvant chemotherapy (NeoChT), though prognostic prediction tools are lacking. The machine learning tool CACTUS – Comprehensive Abstraction and Classification Tool for Uncovering Structures - was developed according to the principles of explainable artificial intelligence specifically for the small and incomplete datasets in health sciences. In this study we use CACTUS to develop a model for prediction of survival outcomes of gastric cancer patients. Methods: We studied 137 cases of operated GC, 51 of which were submitted to NeoChT. Collected data included demographics, histopathological, molecular, clinical and staging information. CACTUS was used to analyze the data and classify the patients according to their survival status. Two experiments were done with CACTUS, the first included staging information, whereas in the second did not include disease staging. Each experiment was performed using the whole dataset, data stratified by sex and data stratified by NeoChT status. CACTUS classification was characterized using accuracy, balanced accuracy (BA), sensitivity, specificity, positive predictive value and negative predictive value. Furthermore, knowledge graphs were created to evidence feature aggregation and individual features were evaluated to determine their influence on the classification. Classical statistical analysis was performed to compare with the results of CACTUS. Results: The first experiment yielded a high quality classification (BA=75.9%), with the most relevant features for classification being lymph node metastasis, perineural invasion and pathologic M stage. For the second experiment, the quality of the classification was lower (BA=66.4%), with the most relevant features being perineural invasion, lymphovascular invasion and lymphoid stroma presence. CACTUS classification using stratified data yielded better results, with the exception of women in the second experiment (BA=65.8%). For women, the most relevant feature for classification was the microsatellite status, with classical statistical analysis indicating a statistically significant difference between survivors and non-survivors (p=0.034), whereas for men age was the most important feature, which also had statistically significant differences (p=0.014). Conclusions: CACTUS has a high performance in classifying GC patients according to their survival status. This tool might have a role in clinical pratice to help predict the outcome of GC patients.

Language: English

No. of pages: 81