Oncologia di Precisione: Il Ruolo della Radiomica, della Genomica e della Trascrittomica nelle Strategie di Trattamento Personalizzato del Cancro

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.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2024

Author dc:creator

• D'ANNA, Alessia

Contributors dc:contributor

• PULVIRENTI, ALFREDO
• RAPISARDA, Andrea

• Radiomic
• scRNA-seq
• Breast Cancer
• Multiple Myeloma
• Lung Cancer
• Precision Oncology
• Machine Learning
• Radiomica
• Tumore alla Mammella
• Mieloma Multiplo
• Carcinoma Polmonare
• Oncologia di Precisione
• Apprendimento Automatico

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:NON PUBBLICO - Accesso privato/ristretto
• license uri:iris.PRI01

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/657970

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/657970