ANALISI MULTIMODALE PER LA PROGNOSI E PER LA PREDIZIONE DELLA RISPOSTA AL TRATTAMENTO DELL’ADENOCARCINOMA DEL PANCREAS

In questo lavoro di tesi è stato sviluppato un modello integrato basato su variational autencoder che ha incluso dati omici, clinici e di imaging con l’obiettivo di predire l’overall survival e classificare la risposta al trattamento in pazienti affetti da tumore al pancreas. Il progetto ha previsto un’analisi multidimensionale dei dati relativi a copy number variation, single nucleotide variation, metilazione e RNA-Seq, selezionando solo i pazienti con disponibilità completa di profili omici, dati clinici e immagini digitali istopatologiche. Successivamente, si è proceduto con l’implementazione del framework MOVE e del Vanilla Autoencoder per la generazione di spazi latenti a partire dai dati del TCGA-PAAD. MOVE è stato configurato in diverse modalità, variando gli iperparametri e valutando le rappresentazioni ottenute tramite accuratezza e cosine similarity. Gli spazi latenti generati sono stati utilizzati per addestrare due modelli su diverse combinazioni di dataset in input: un classificatore della risposta al trattamento (basato su regressione logistica) e un predittore di overall survival (basato su modelli di survival analysis offerti dalla libreria pycox). Le performance dei modelli sono state valutate utilizzando metriche appropriate e sono stati testati con un dataset esterno della coorte CPTAC-PDA, permettendo un confronto diretto delle prestazioni predittive e classificatorie.