Perpustakaan Digital ITB

Kanker paru merupakan penyebab utama kematian akibat kanker, dan ?85% kasus merupakan tipe non-small cell lung cancer (NSCLC). Pada pasien NSCLC stadium lanjut lokal, kemoradioterapi definitif menjadi terapi standar, namun respons terapi antar pasien masih menunjukkan variasi yang cukup besar. Radiomik berbasis citra [18F]-FDG PET berpotensi menjadi biomarker prediktif non invasif untuk memprediksi respons kemoradioterapi. Oleh karena itu penelitian ini bertujuan mengembangkan alur proses radiomik terintegrasi berbasis citra [18F]-FDG PET untuk meningkatkan stabilitas fitur serta performa model prediksi respons kemoradioterapi pada pasien NSCLC stadium lanjut lokal. Tujuan penelitian ini di antaranya optimasi prapemrosesan (metode interpolasi dan harmonisasi ComBat), evaluasi metode seleksi fitur, dan analisis tiga VOI berbasis intensitas metabolik yaitu whole tumor, medium SUV, dan high SUV untuk memperoleh model prediksi respons terapi yang lebih akurat, dan memiliki kemampuan generalisasi yang optimal. Penelitian ini menggunakan 167 pasien NSCLC stadium lanjut lokal dari dataset multisenter ACRIN 6668/RTOG 0235 yang diperoleh dari The Cancer Imaging Archive. Penelitian dilakukan dalam tiga tahap utama. Tahap pertama mengevaluasi pengaruh variasi pemindai PET multisenter (Siemens, GE, dan Philips) terhadap variabilitas fitur radiomik serta efektivitas kombinasi metode interpolasi (Bspline, Gaussian, dan Nearest Neighbor) dan harmonisasi ComBat. Variabilitas fitur dianalisis menggunakan coefficient of variation (CV) dan uji Kruskal–Wallis sebelum dan sesudah harmonisasi ComBat. Tahap kedua membandingkan empat metode seleksi fitur yaitu Random Forest Feature Importance (RF-FI), Recursive Feature Elimination berbasis Random Forest (RFE-RF), Least Absolute Shrinkage and Selection Operator (LASSO), dan Minimum Redundancy Maximum Relevance (mRMR), untuk mengidentifikasi fitur radiomik yang paling relevan dalam memprediksi respons kemoradioterapi. Tahap ketiga mengevaluasi pengaruh variasi volume of interest (VOI), yang terdiri dari whole tumor, medium SUV, dan high SUV, terhadap performa model prediksi respons kemoradioterapi. Model dikembangkan menggunakan algoritma Support Vector Machine (SVM), Logistic Regression (LR), Random Forest (RF), dan XGBoost, kemudian dievaluasi melalui stratified k-fold cross-validation pada training dataset dan independent testing dataset menggunakan metrik akurasi, presisi, recall, F1-score, dan area under the curve (AUC). Hasil penelitian ini menunjukkan interpolasi Nearest Neighbor menghasilkan stabilitas fitur terbaik dibandingkan Gaussian dan Bspline, dengan median coefficient of variation (CV) terendah sebelum harmonisasi (12,6%). Setelah harmonisasi ComBat, median CV menurun menjadi 3,6%, sedangkan jumlah fitur yang stabil antar pemindai (CV < 10%) meningkat dari 48 menjadi 95 dari total 105 fitur, dan hanya 0,95% fitur yang masih menunjukkan perbedaan signifikan antar pemindai berdasarkan uji Kruskal–Wallis. Dengan demikian, pada penelitian ini interpolasi Nearest Neighbor menghasilkan variabilitas antar pemindai yang paling rendah serta stabilitas fitur radiomik yang paling tinggi dibandingkan Gaussian dan Bspline, baik sebelum maupun sesudah harmonisasi ComBat. Evaluasi seleksi fitur, metode RF-FI dan RFE-RF menunjukkan performa yang lebih baik dibandingkan LASSO dan mRMR. Pada evaluasi cross-validation, kombinasi RF-FI dengan RF menghasilkan performa terbaik (AUC 0,691 ± 0,105), adapun kombinasi RFE-RF dengan XGBoost menunjukkan performa yang kompetitif (AUC 0,686 ± 0,048). Pada independent testing dataset, RF-FI dengan SVM mencapai performa terbaik (akurasi = 0,738; AUC = 0,683), sementara RFE- RF dengan LR menunjukkan performa yang kompetitif (akurasi = 0,714; AUC = 0,675). Hasil penelitian ini menunjukkan metode seleksi fitur berbasis tree-based learning lebih efektif dalam memilih fitur radiomik yang relevan dan robust untuk prediksi respons kemoradioterapi pada pasien NSCLC stadium lanjut lokal. Evaluasi variasi VOI menunjukkan subregion medium SUV menghasilkan performa terbaik dibandingkan whole tumor dan high SUV. Pada evaluasi cross-validation, kombinasi medium SUV dengan SVM menghasilkan akurasi 0,773 ± 0,069, F1-score 0,779 ± 0,064, dan AUC 0,840 ± 0,069. Kombinasi dengan RF juga kompetitif dengan akurasi 0,750 ± 0,155, F1-score 0,750 ± 0,166, dan AUC 0,849 ± 0,108. Adapun evaluasi testing dataset, medium SUV dengan SVM menghasilkan performa tertinggi dengan akurasi 0,810, F1-score 0,852, dan AUC 0,765. Sedangkan kombinasi dengan XGBoost menghasilkan performa kompetitif dengan akurasi 0,714, F1-score 0,750, dan AUC 0,769. Hasil penelitian ini menunjukkan bahwa eksplorasi heterogenitas metabolik melalui subregion medium SUV menghasilkan fitur radiomik yang paling informatif dan relevan terhadap prediksi respons kemoradioterapi dibandingkan pendekatan whole tumor maupun high SUV pada dataset penelitian ini Dengan demikian, Interpolasi Nearest Neighbor yang dikombinasikan dengan harmonisasi ComBat dan seleksi fitur berbasis tree-based learning efektif meningkatkan stabilitas fitur radiomik dan performa model prediksi respons kemoradioterapi pada NSCLC stadium lanjut lokal. Subregion medium SUV merupakan area metabolik paling informatif yang memberikan performa prediksi, sensitivitas terhadap kelas partial response, dan kemampuan diskriminatif terbaik dibandingkan whole tumor maupun high SUV, sehingga berpotensi menjadi biomarker pencitraan non-invasif untuk mendukung pengambilan keputusan terapi yang lebih personal.