Precision oncology is transforming healthcare by tailoring treatment strategies to individuals based on their genetic makeup, environment, and lifestyle. This thesis explores the roles of radiomics, genomics, and transcriptomics in advancing personalized cancer treatment, organized into two main sections comprising three distinct studies. The first section focuses on radiomics, beginning with a study that demonstrated the efficacy of the ComBat harmonization technique in reducing interobserver variability in tumor segmentation. This improvement could enhance the consistency of multi-institutional radiomics studies. The second study within this section evaluates various machine learning (ML) models to predict pathological complete response (pCR) to neoadjuvant chemotherapy (NAC) in breast cancer, identifying Random Forest (RF) and Decision Tree (DT) as the top-performing algorithms. These models leverage radiomic data to improve predictive accuracy and inform treatment strategies. The second section examines intratumor heterogeneity (ITH) using single-cell RNA sequencing (scRNA-seq) in multiple myeloma (MM). This study showcases the potential of scRNA-seq to capture gene expression variations across tumor subclones, addressing the challenges posed by traditional methods for subclone identification. While single-cell DNA sequencing (scDNA-seq) is ideal for mutation analysis, scRNA-seq offers a more feasible and scalable alternative. The research lays the groundwork for enhancing precision oncology by addressing key challenges in radiomics, predictive modeling, and tumor heterogeneity, ultimately contributing to more effective and personalized cancer treatments.
L'oncologia di precisione sta trasformando la sanità adattando le strategie di trattamento agli individui sulla base del loro patrimonio genetico, dell’ambiente e dello stile di vita. Questa tesi esplora i ruoli della radiomica, della genomica e della trascrittomica nel progresso delle terapie oncologiche personalizzate. E' composta da due due sezioni principali che comprendono tre studi distinti. La prima sezione si concentra sulla radiomica, iniziando con uno studio che ha dimostrato l'efficacia della tecnica di armonizzazione ComBat nella riduzione della variabilità interosservatore nella segmentazione del tumore. Questo miglioramento potrebbe aumentare la coerenza degli studi radiomici multi-istituzionali. Il secondo studio all'interno di questa sezione valuta vari modelli di machine learning (ML) per prevedere la risposta patologica completa (pCR) alla chemioterapia neoadiuvante (NAC) nel tumore alla mammella, identificando Random Forest (RF) e Decision Tree (DT) come gli algoritmi migliori. Questi modelli sfruttano i dati radiomici per migliorare l'accuratezza predittiva e informare le strategie di trattamento. La seconda sezione esamina l'eterogeneità intratumorale (ITH) utilizzando il sequenziamento dell'RNA a singola cellula (scRNA-seq) nel mieloma multiplo (MM). Questo studio evidenzia il potenziale dello scRNA-seq di catturare le variazioni di espressione genica tra i sottocloni tumorali, affrontando le sfide poste dai metodi tradizionali per l'identificazione dei sottocloni. Sebbene il sequenziamento del DNA a singola cellula (scDNA-seq) sia ideale per l'analisi delle mutazioni, il scRNA-seq offre un'alternativa più praticabile e scalabile. La ricerca getta le basi per migliorare l'oncologia di precisione affrontando sfide chiave nella radiomica, nei modelli predittivi e nell'eterogeneità tumorale, contribuendo in ultima analisi a trattamenti oncologici più efficaci e personalizzati.
Oncologia di Precisione: Il Ruolo della Radiomica, della Genomica e della Trascrittomica nelle Strategie di Trattamento Personalizzato del Cancro / D'Anna, Alessia. - (2024 Nov 19).
Oncologia di Precisione: Il Ruolo della Radiomica, della Genomica e della Trascrittomica nelle Strategie di Trattamento Personalizzato del Cancro
D'ANNA, Alessia
2024-11-19
Abstract
Precision oncology is transforming healthcare by tailoring treatment strategies to individuals based on their genetic makeup, environment, and lifestyle. This thesis explores the roles of radiomics, genomics, and transcriptomics in advancing personalized cancer treatment, organized into two main sections comprising three distinct studies. The first section focuses on radiomics, beginning with a study that demonstrated the efficacy of the ComBat harmonization technique in reducing interobserver variability in tumor segmentation. This improvement could enhance the consistency of multi-institutional radiomics studies. The second study within this section evaluates various machine learning (ML) models to predict pathological complete response (pCR) to neoadjuvant chemotherapy (NAC) in breast cancer, identifying Random Forest (RF) and Decision Tree (DT) as the top-performing algorithms. These models leverage radiomic data to improve predictive accuracy and inform treatment strategies. The second section examines intratumor heterogeneity (ITH) using single-cell RNA sequencing (scRNA-seq) in multiple myeloma (MM). This study showcases the potential of scRNA-seq to capture gene expression variations across tumor subclones, addressing the challenges posed by traditional methods for subclone identification. While single-cell DNA sequencing (scDNA-seq) is ideal for mutation analysis, scRNA-seq offers a more feasible and scalable alternative. The research lays the groundwork for enhancing precision oncology by addressing key challenges in radiomics, predictive modeling, and tumor heterogeneity, ultimately contributing to more effective and personalized cancer treatments.File | Dimensione | Formato | |
---|---|---|---|
PhD_DAnna_DEF_compressed.pdf
embargo fino al 19/11/2025
Tipologia:
Tesi di dottorato
Licenza:
NON PUBBLICO - Accesso privato/ristretto
Dimensione
15.2 MB
Formato
Adobe PDF
|
15.2 MB | Adobe PDF | Visualizza/Apri |
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.