A carregar...
Publicação
Explainable ML models for predicting CART efficacy in B cell lymphoma
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.39 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Chimeric Antigen Receptor T-cell (CAR-T) therapy is a treatment for aggressive B-cell lympho-
mas, where engineered T cells target cancer cells. Despite its success, predicting patient response re-
mains challenging due to diverse clinical variables influencing outcomes. This thesis addresses this
issue by developing explainable machine learning (ML) models to predict patient responses after CAR-
T therapy, focusing on overall response rate (ORR) and progression-free survival (PFS).
The challenge lies in managing the complexity of patient data and identifying the most relevant
predictors from clinical features collected prior to CAR-T infusion. This study analysed data from 95
patients treated with CAR-T cell therapy, either as a monotherapy or in conjunction with other thera-
peutic modalities, at the Fondazione IRCCS Istituto Nazionale dei Tumori. Utilizing ML models such as
Logistic Regression and Random Forests, combined with feature selection techniques, this study iden-
tified key factors like the expression of a four-gene model (MS4A4A, CD86, CD163, SIGLEC5), and ab-
solute monocyte counts (AMC) as significant predictors for both ORR and PFS.
The objective of this study is to create and optimize machine learning models that leverage
baseline clinical biomarkers associated with the efficacy of CAR-T therapy, ultimately enhancing prog-
nostic outcomes for patients with aggressive B-cell lymphoma. Various models were trained using this
dataset, integrating feature selection techniques, and the most effective classification model achieved
an accuracy of 68% on the test set, with Model 4-genes and AMC being the most influential features
for response prediction. In survival analysis, the best model reached a concordance index of 73%,
showing the utility of these features in predicting patient survival. These results offer promising impli-
cations for improving CAR-T therapy outcomes through personalized treatment strategies, advancing
precision medicine in lymphoma care.
By leveraging explainable AI techniques such as SHapley Additive exPlanations (SHAP), and Sur-
vival SHAP, this study not only provides accurate predictions but also enhances understanding of how
individual features contribute to patient outcomes, making the models more interpretable and clinical-
ly applicable.
A terapia com células T com Recetor de Antigénio Quimérico (CAR-T) é um tratamento para Lin- fomas agressivos de células B, onde células T modificadas têm como alvo as células cancerígenas. Apesar do sucesso desta terapia, prever a resposta dos pacientes continua a ser um desafio devido às diversas variáveis clínicas que influenciam os resultados. Esta tese aborda esta questão através do de- senvolvimento de modelos de aprendizagem automática (ML) explicáveis para prever as respostas dos pacientes após a terapia com CAR-T, com foco na taxa de resposta global (ORR) e na sobrevivência sem progressão (PFS). O desafio reside em gerir a complexidade dos dados dos pacientes e identificar os preditores mais relevantes a partir das características clínicas recolhidas antes da infusão de CAR-T. Este estudo analisou dados de 95 pacientes tratados com terapia de células CAR-T, quer como monoterapia ou em conjunto com outras modalidades terapêuticas, na Fondazione IRCCS Istituto Nazionale dei Tumori. Utilizando modelos de ML, como a Regressão Logística e as Florestas Aleatórias, combinados com técnicas de seleção de características, este estudo identificou fatores chave como a expressão de o Model 4-genes (MS4A4A, CD86, CD163, SIGLEC5) e a contagem absoluta de monócitos (AMC) como preditores significativos para ORR e PFS. O objetivo deste estudo é criar e otimizar modelos de ML que utilizem biomarcadores clínicos de base associados à eficácia da terapia CAR-T, com o objetivo final de melhorar os resultados para pacientes com linfoma agressivo de células B. Foram treinados vários modelos utilizando este conjun- to de dados, integrando técnicas de seleção de características, e o modelo de classificação mais eficaz atingiu uma precisão de 68% no conjunto de teste, com o Modelo de 4 genes e AMC sendo as carac- terísticas mais influentes na previsão da resposta. Na análise de sobrevivência, o melhor modelo alcan- çou um índice de concordância de 73%, demonstrando a utilidade destas características na previsão da sobrevivência dos pacientes. Estes resultados oferecem implicações promissoras para a melhoria dos resultados da terapia CAR-T através de estratégias de tratamento personalizadas, avançando a medicina de precisão no tratamento do linfoma. Ao utilizar técnicas de Explainable AI, como SHapley Additive exPlanations (SHAP) e Survival SHAP, este estudo não só fornece previsões precisas, mas também melhora a compreensão de como as características individuais contribuem para os resultados dos pacientes, tornando os modelos mais interpretáveis e clinicamente aplicáveis.
A terapia com células T com Recetor de Antigénio Quimérico (CAR-T) é um tratamento para Lin- fomas agressivos de células B, onde células T modificadas têm como alvo as células cancerígenas. Apesar do sucesso desta terapia, prever a resposta dos pacientes continua a ser um desafio devido às diversas variáveis clínicas que influenciam os resultados. Esta tese aborda esta questão através do de- senvolvimento de modelos de aprendizagem automática (ML) explicáveis para prever as respostas dos pacientes após a terapia com CAR-T, com foco na taxa de resposta global (ORR) e na sobrevivência sem progressão (PFS). O desafio reside em gerir a complexidade dos dados dos pacientes e identificar os preditores mais relevantes a partir das características clínicas recolhidas antes da infusão de CAR-T. Este estudo analisou dados de 95 pacientes tratados com terapia de células CAR-T, quer como monoterapia ou em conjunto com outras modalidades terapêuticas, na Fondazione IRCCS Istituto Nazionale dei Tumori. Utilizando modelos de ML, como a Regressão Logística e as Florestas Aleatórias, combinados com técnicas de seleção de características, este estudo identificou fatores chave como a expressão de o Model 4-genes (MS4A4A, CD86, CD163, SIGLEC5) e a contagem absoluta de monócitos (AMC) como preditores significativos para ORR e PFS. O objetivo deste estudo é criar e otimizar modelos de ML que utilizem biomarcadores clínicos de base associados à eficácia da terapia CAR-T, com o objetivo final de melhorar os resultados para pacientes com linfoma agressivo de células B. Foram treinados vários modelos utilizando este conjun- to de dados, integrando técnicas de seleção de características, e o modelo de classificação mais eficaz atingiu uma precisão de 68% no conjunto de teste, com o Modelo de 4 genes e AMC sendo as carac- terísticas mais influentes na previsão da resposta. Na análise de sobrevivência, o melhor modelo alcan- çou um índice de concordância de 73%, demonstrando a utilidade destas características na previsão da sobrevivência dos pacientes. Estes resultados oferecem implicações promissoras para a melhoria dos resultados da terapia CAR-T através de estratégias de tratamento personalizadas, avançando a medicina de precisão no tratamento do linfoma. Ao utilizar técnicas de Explainable AI, como SHapley Additive exPlanations (SHAP) e Survival SHAP, este estudo não só fornece previsões precisas, mas também melhora a compreensão de como as características individuais contribuem para os resultados dos pacientes, tornando os modelos mais interpretáveis e clinicamente aplicáveis.
Descrição
Palavras-chave
CAR-T cell therapy Aggressive B-cell lymphoma Machine Learning Explainable AI Survival Analysis