Unraveling response to temozolomide in preclinical GL261 glioblastoma with MRI/MRSI using radiomics and signal source extraction
Núñez, Luis Miguel (Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina)
Romero, Enrique (Universitat Politècnica de Catalunya. Departament de Ciències de la Computació)
Julià Sapé, Ma. Margarita (Universitat Autònoma de Barcelona. Departament de Bioquímica i de Biologia Molecular)
Ledesma-Carbayo, María Jesús (Universidad Politécnica de Madrid (UPM))
Santos, Andrés (Universidad Politécnica de Madrid (UPM))
Arús i Caraltó, Carles (Universitat Autònoma de Barcelona. Departament de Bioquímica i de Biologia Molecular)
Candiota Silveira, Ana Paula (Universitat Autònoma de Barcelona. Departament de Bioquímica i de Biologia Molecular)
Vellido, Alfredo (Universitat Politècnica de Catalunya)

Fecha:	2020
Resumen:	Glioblastoma is the most frequent aggressive primary brain tumor amongst human adults. Its standard treatment involves chemotherapy, for which the drug temozolomide is a common choice. These are heterogeneous and variable tumors which might benefit from personalized, data-based therapy strategies, and for which there is room for improvement in therapy response follow-up, investigated with preclinical models. This study addresses a preclinical question that involves distinguishing between treated and control (untreated) mice bearing glioblastoma, using machine learning techniques, from magnetic resonance-based data in two modalities: MRI and MRSI. It aims to go beyond the comparison of methods for such discrimination to provide an analytical pipeline that could be used in subsequent human studies. This analytical pipeline is meant to be a usable and interpretable tool for the radiology expert in the hope that such interpretation helps revealing new insights about the problem itself. For that, we propose coupling source extraction-based and radiomics-based data transformations with feature selection. Special attention is paid to the generation of radiologist-friendly visual nosological representations of the analyzed tumors.
Ayudas:	European Commission. Horizon 2020 777222
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Lengua:	Anglès
Documento:	Article ; recerca ; Versió publicada
Materia:	Cancer ; Computational biology and bioinformatics ; Diseases ; Oncology
Publicado en:	Scientific reports, Vol. 10 (november 2020) , ISSN 2045-2322

DOI: 10.1038/s41598-020-76686-y
PMID: 33184423

13 p, 2.0 MB

El registro aparece en las colecciones:
Artículos > Artículos de investigación
Artículos > Artículos publicados