Umělá inteligence v radiační onkologii CNS (AI-RAD)

V navrhované retrospektivní studii budou zahrnuti pacienti léčení nádory centrálního nervového systému (CNS) radioterapií (RT). Databáze DMG uchovávající záznamy pacientů registrovaných a léčených v TMC (Tata Memorial Centre) neuroonkologie DMG (Disease Management Group) bude podrobena screeningu, aby se identifikovali pacienti způsobilí pro studii. S přibližně 500-600 pacienty s nádory CNS léčenými RT v TMC ročně očekáváme strop 6000 pacientů během let 2010-2022, což bude maximální počet pacientů využitých pro analýzu. Budou analyzovány snímky (CT, MRI, PET) používané pro plánování RT, zobrazování uprostřed léčby jako součást IGRT (Image-guided radio therapy) nebo hodnocení onemocnění a hodnocení odpovědi/sledování po RT. Radiační plány a histogram dávky a objemu budou získány z TPS (Treatment Planning System). Všechny snímky a data související s radiací budou stažena z PACS (Picture Archiving and Communication System) a TPS s použitím anonymizačních filtrů. Klinické rysy (pacient, nemoc, charakteristiky související s léčbou a výsledky) budou extrahovány kontrolou elektronických lékařských záznamů. Bude provedeno předběžné zpracování zobrazení, které bude zahrnovat stripování lebky a registraci napříč různými modalitami (např. MRI a CT) nebo různými sekvencemi (např. T1C, T2W, ADC) pomocí pevných nebo deformovatelných algoritmů, které jsou nejvhodnější pro modalita. Cílové objemy, tj. hrubý objem nádoru (GTV), klinický cílový objem (CTV) a plánovací cílový objem (PTV) a OAR budou individuálně přezkoumány radiačními onkology s příslušnými úpravami (např. vyloučení OAR (orgány) v ohrožení) deformované nemocí nebo operací) a budou použity k trénování modelů strojového učení pro učení pod dohledem. Obrysy a obrazy budou převzorkovány na jednotné rozlišení pro různé sekvence nebo modality (např. T2W/ADC/PET), aby se shodovaly buď s 3D sekvencí (např. FSPGR sekvence), nebo s dostupnými obrazy s nejmenší tloušťkou řezu. Následně budou provedeny normalizační techniky (např. normalizace histogramu / normalizace Z-skóre) v rámci jednotlivých snímků a napříč celým souborem dat, aby se zohlednila heterogenita snímku, včetně intenzity pole pro MRI a různých parametrů získávání snímků. Pro autosegmentaci budou použity jak řízené, tak neřízené algoritmy strojového učení. Pro model pod dohledem bude celá databáze rozdělena do školicích a testovacích kohort pro vývoj modelu a aplikace. Protože OAR jsou jednotně použitelné pro různé histologické nálezy nebo místa nádoru, autosegmentační trénink bude aplikován na celý soubor dat. Avšak vzhledem k tomu, že existují odchylky ve vymezení cílového objemu (např. pro ohraničené vs. difúzní nádory, nízký stupeň vs. vysoký stupeň), bude školení/testování pro TV použitelné pro jednotlivé entity onemocnění. Účinnost automatizovaného modelu bude testována pomocí koeficientu podobnosti kostek mezi oblastmi manuální segmentace a segmenty založenými na AI. Pro predikci výsledku (např. přežití a toxicitu) bude další krok zahrnovat extrakci rysů ze snímků (CT, MRI, PET) odpovídajících různým TV a OAR a dat distribuce dávek RT převedených na objemová obrazová/číselná data (doziomika), která se bude skládat z prvního řádu (včetně tvaru, histogramu), druhého řádu nebo vyššího řádu (např. různé texturní prvky jako GLCM, GLDM, GLSZM atd.), nebo budou použity techniky hlubokého učení. Delta-radiomika bude zahrnovat časové změny v radiomických vlastnostech z různých časových bodů pro stejného pacienta v rámci celého objemu a jednotlivých oblastí. Následně se použijí techniky redukce a výběru prvků, jako je LASSO, rekurzivní eliminace prvků, k užšímu výběru počtu prvků v závislosti na velikosti vzorku. O výstupech se rozhodne na základě modelování definovaného pro specifické problémy třídy (např. nádor vs. edém, recidiva vs. pseudoprogrese, výsledky, oblast zájmu vs. nenádorová oblast), jak bylo získáno z klinických informací. Jakákoli nerovnováha tříd bude řešena pomocí metod, jako je náhodné vzorkování podmnožin nebo analýza SMOTE pro rozšíření dat menšinové třídy. Algoritmy strojového učení jako LDA, k-NN, SVM, náhodný les, AdaBoost atd. budou použity jednotlivě nebo v kombinaci jako souborový klasifikátor, aby se našel model s nejlepším výkonem. Klasifikátory pro hluboké učení budou použity spolu s modelováním založeným na funkcích a porovnány za účelem testování použitelnosti klasifikátoru. K posouzení stability modelu strojového učení se použijí ověřovací techniky, jako je validace vynechání, validace k-násobku a rozdělení (na trénovací a testovací kohortu). Radiomickou analýzu provedou datoví vědci / výzkumní pracovníci s odbornými znalostmi v oblasti datové analýzy. Všechny segmentace budou provedeny na softwaru s otevřeným zdrojovým kódem, jako je ITK snap (itksnap.org) nebo 3D Slicer (slicer.org). Extrakce funkcí a modelování se bude provádět pomocí opensource softwaru, jako je Python (python.org). Jako terciární cíl projektu vyvineme protokol pro ukládání anonymizovaných dat (klinické informace, snímky radiačního plánování a hodnocení odezvy, data radiačního plánování, snímky v rámci léčby, jako je kuželová počítačová tomografie) v zabezpečeném obrazovém úložišti biobanky s chráněným cloudový prostor. Rovněž budou vyvinuty algoritmy zpracování přirozeného jazyka (NLP) pro trénování a ověřování modelu pro extrakci a dokumentaci klinických proměnných extrahovaných pro studii. S neustálým pokrokem ve výpočetní vědě budou dostupné novější analytické techniky a platformy podle potřeby aplikovány spolupracovníky z Bhabha Atomic Research Center v Bombaji sdílením anonymizovaných dat.