During radiotherapy of non-small-cell lung cancers, changes in radiomics features extracted from cone-beam computed tomography images can serve as unique predictors. For adapting treatment plans or assessing early treatment responses, there is a pressing need to screen cone-beam computed tomography-derived radiomics features for predicting tumour regression volume.

Our study enrolled 58 patients with non-small cell lung cancer undergoing radiotherapy, comprising dataset1, and an additional 32 patients who underwent an adaptive treatment approach, forming dataset2. For dataset1 patients, radiomics features were extracted from both the planning computed tomography and the first treatment cone-beam computed tomography. For dataset2 patients, features were also extracted from the replanning computed tomography and the corresponding cone-beam computed tomography after 20 fractions of radiotherapy. By employing correlation coefficient and intraclass correlation coefficient analyses on planning computed tomography and first treatment cone-beam computed tomography features, we identified robust and reproducible features in dataset1 patients. Reproducible delta radiomics features were further selected to characterize feature changes and screen delta radiomics features for tumour regression in dataset2 patients. Lastly, predictive delta radiomics features were screened using least absolute shrinkage and selection operator regression.

Based on dataset1, we selected 34 radiomics features. From these, 16 delta radiomics features were further screened using dataset2. The changes observed in these features were consistent across both computed tomography and cone-beam computed tomography images. Specifically, nine features exhibited significant differences ( p < 0.05) while seven features remained relatively unchanged ( p > 0.05). Ultimately, four delta radiomics features were identified to classify tumour regression volume with a 30 % threshold for cone-beam computed tomography images.

Our study introduces a novel strategy for selecting computed tomography-based cone-beam computed tomography radiomics features, enabling the identification of reliable features for model development. Preliminary findings firstly demonstrate the feasibility of using cone-beam computed tomography-based delta radiomics features to classify tumour regression volume during radiotherapy of non-small-cell lung cancer.

Au cours de la radiothérapie des patients atteints de carcinome bronchique non à petites cellules, les variations des caractéristiques radiomiques extraites des images de tomographie conique pourraient servir de prédicteurs uniques. Pour adapter les plans de traitement ou évaluer précocement la réponse thérapeutique, il est crucial d’identifier des caractéristiques radiomiques dérivées de la tomographie conique permettant de prédire le volume de régression tumorale.

Notre étude a inclus les données de 58 patients atteints de carcinome bronchique non à petites cellules traité par irradiation (jeu de données 1) et de 32 patients supplémentaires soumis à une approche de traitement adaptatif (jeu de données 2). Pour le jeu 1, les caractéristiques radiomiques ont été extraites de la scanographie de planification et de la tomographie conique initiale. Pour le jeu 2, les caractéristiques provenaient également de la scanographie de replanification et de la tomographie conique correspondante après 20 fractions de radiothérapie. En utilisant le coefficient de corrélation et le coefficient de corrélation intraclasse sur les caractéristiques de la scanographie de planification et de la tomographie conique initiale, nous avons identifié des caractéristiques robustes et reproductibles dans le jeu 1. Les caractéristiques de radiomique delta reproductibles ont ensuite été sélectionnées pour caractériser les variations et prédire la régression tumorale dans le jeu 2. Enfin, les caractéristiques prédictives ont été filtrées par régression least absolute shrinkage and selection operator .

À partir du jeu 1, 34 caractéristiques radiomiques ont été sélectionnées. Parmi elles, 16 caractéristiques de radiomique delta ont été retenues via le jeu 2. Les variations de ces caractéristiques étaient cohérentes entre les images de scanographie et de tomographie conique. Concrètement, neuf caractéristiques présentaient des différences significatives ( p < 0,05) tandis que sept restaient stables ( p > 0,05). Quatre caractéristiques de radiomique delta ont finalement permis de classer le volume de régression tumorale avec un seuil de 30 % sur les images de tomographie conique.

Notre étude propose une nouvelle stratégie de sélection de caractéristiques radiomiques de tomographie conique basées sur la scanographie, facilitant l’identification de marqueurs fiables pour la modélisation. Ces résultats préliminaires démontrent pour la première fois la faisabilité d’utiliser des caractéristiques de radiomique delta issues de la tomographie conique pour classer la régression tumorale durant la radiothérapie des carcinomes bronchiques non à petites cellules.