Implementation of personalized medicine in malignant melanoma patients aided by artificial intelligence

Abstract

(English) Skin cancer, characterised by the uncontrolled growth of abnormal skin cells, poses a significant global health challenge. Melanoma, its most aggressive form, is particularly concerning due to its rapid metastasis if not detected early, leading to a sharp decline in survival probability. This underscores the critical importance of timely diagnosis and treatment. While advances have been made, the vast surface area of the skin makes early detection challenging.

The emergence of prospective clinical and imaging databases has revolutionised the field, providing sensitive and specific biomarkers for non-invasive cancer diagnosis. This thesis harnesses these advancements, introducing AI-powered tools for melanoma analysis using clinical data and Whole Slide Imaging (WSI). The focus lies on identifying early-stage melanoma through risk grouping and biomarker detection. By employing advanced survival analysis, pattern recognition, and statistical clustering, the research develops predictive and interpretable models to enhance early detection and diagnosis.

In our study, we comprehensively evaluate survival analysis algorithms on melanoma datasets, highlighting the superior performance of tree-based methods over deep learning models in this context. We also detail the development of SurvLIMEpy, an open-source Python library for model explainability in survival analysis, fostering trust between clinicians and AI. This library has garnered significant attention, with over 10,000 downloads.

Furthermore, our research demonstrates that machine learning models prioritise clinically relevant features for survival predictions, further reinforcing their interpretability and clinical utility. We also showcase the successful application of machine learning for patient stratification, outperforming the AJCC staging system used by dermatologist and enabling more personalised treatment strategies. Additionally, the thesis explores AI-driven biomarker prediction from WSIs underscores this approach's promise while emphasising the need for larger datasets for clinical implementation.

This research signifies an advancement in the application of AI for melanoma analysis. The SurvLIMEpy library has empowered the research community, while the findings on patient stratification and biomarker prediction potentially improve melanoma diagnosis and treatment.

(Català) El càncer de pell, caracteritzat pel creixement descontrolat de cèl·lules cutànies anormals, representa un repte sanitari a escala mundial. El melanoma, la seva forma més agressiva, és especialment crític degut a la seva ràpida metàstasi, i en cas de no detectar-se a temps,condueix a una dràstica disminució de la probabilitat de supervivència. Això subratlla la importància del diagnòstic i tractament precoços. Tot i que s'han aconseguit avenços, la vasta superfície de la pell dificulta la detecció precoç.

L'aparició de bases de dades clíniques i d'imatges ha revolucionat el camp, proporcionant biomarcadors sensibles i específics per al diagnòstic no invasiu del càncer. Aquesta tesi aprofita aquests avenços, introduint eines impulsades per la IA per a l'anàlisi del melanoma utilitzant dades clíniques i Imatge de Diapositiva Sencera (WSI, per les seves sigles en anglès). La tesis s’enfoca en la identificació del melanoma en etapa precoç mitjançant l'agrupació de riscos i la detecció de biomarcadors. Emprant anàlisi de supervivència avançada, reconeixement de patrons i agrupació estadística, la investigació desenvolupa models predictius i interpretables per millorar la detecció i el diagnòstic precoços.

En la nostra investigació, avaluem exhaustivament algoritmes d'anàlisi de supervivència en conjunts de dades de melanoma, destacant el rendiment superior dels mètodes basats en arbres sobre els models d'aprenentatge profund en aquest context. També detallem el desenvolupament de SurvLIMEpy, una biblioteca Python de codi obert per a l'explicabilitat de models en l'anàlisi de supervivència, fomentant la confiança entre els metges i la IA. Aquesta biblioteca ha rebut una atenció significativa, amb més de 10.000 descàrregues.

A més, la nostra investigació demostra que els models d'aprenentatge automàtic prioritzen les característiques clínicament rellevants per a les prediccions de supervivència, la qual cosa reforça encara més la seva interpretabilitat i utilitat clínica. També mostrem l'aplicació de l'aprenentatge automàtic per a l'estratificació de pacients, superant el sistema d'estadificació AJCC utilitzat pels dermatòlegs i permetent estratègies de tractament més personalitzades. Addicionalment, la tesi explora la predicció de biomarcadors impulsada per la IA a partir de WSIs, subratllant la promesa d'aquest enfocament alhora que emfatitza la necessitat de conjunts de dades més grans per a la implementació clínica.

Aquesta investigació representa un avenç en l'aplicació de la IA per a l'anàlisi del melanoma. El paquet SurvLIMEpy ha empoderat la comunitat investigadora, mentre que les conclusions sobre l'estratificació de pacients i la predicció de biomarcadors tenen potencial per millorar el diagnòstic i tractament del melanoma.

(Español) El cáncer de piel, caracterizado por el crecimiento descontrolado de células cutáneas anormales, representa un desafío sanitario global significativo. El melanoma, su forma más agresiva, es especialmente preocupante debido a su rápida metástasis si no se detecta a tiempo, lo que conduce a una drástica disminución de la probabilidad de supervivencia. Esto subraya la importancia crítica del diagnóstico y tratamiento tempranos. Aunque se han logrado avances, la vasta superficie de la piel dificulta la detección precoz.

La aparición de bases de datos clínicas y de imágenes prospectivas ha revolucionado el campo, proporcionando biomarcadores sensibles y específicos para el diagnóstico no invasivo del cáncer. Esta tesis aprovecha estos avances, introduciendo herramientas impulsadas por la IA para el análisis del melanoma utilizando datos clínicos e Imágenes de Diapositivas Completas (WSI, por sus siglas en inglés). El enfoque radica en la identificación del melanoma en etapa temprana mediante la agrupación de riesgos y la detección de biomarcadores. Empleando análisis de supervivencia avanzado, reconocimiento de patrones y agrupación estadística, la investigación desarrolla modelos predictivos e interpretables para mejorar la detección y el diagnóstico tempranos.

En nuestra investigación, realizamos una evaluación exhaustiva de algoritmos de análisis de supervivencia en conjuntos de datos de melanoma, destacando el rendimiento superior de los métodos basados en árboles sobre los modelos de aprendizaje profundo en este contexto. También detallamos el desarrollo de SurvLIMEpy, un paquete de Python de código abierto para la explicabilidad de modelos en el análisis de supervivencia, fomentando la confianza entre los médicos y la IA. Este paquete ha recibido una atención significativa, con más de 10.000 descargas.

Además, nuestra investigación demuestra que los modelos de aprendizaje automático priorizan las características clínicamente relevantes para las predicciones de supervivencia, lo que refuerza aún más su interpretabilidad y utilidad clínica. También mostramos la aplicación exitosa del aprendizaje automático para la estratificación de pacientes, superando el sistema de estratificación AJCC usado por los dermatólogos y permitiendo estrategias de tratamiento más personalizadas. Adicionalmente, la tesis explora la predicción de biomarcadores impulsada por la IA a partir de WSIs, subrayando la promesa de este enfoque al tiempo que enfatiza la necesidad de conjuntos de datos más grandes para la implementación clínica.

Esta investigación representa un avance en la aplicación de la IA para el análisis del melanoma. La biblioteca SurvLIMEpy ha empoderado a la comunidad investigadora, mientras que los hallazgos sobre la estratificación de pacientes y la predicción de biomarcadores tienen potencial para mejorar el diagnóstico y tratamiento del melanoma.