Multiomický přístup k radiorezistenci ependymomů u dětí a dospívajících (EPENDYMOMICS)

Rezistence na léčbu nás přiměla k provedení národní studie PEPPI (Pediatric Ependymoma Photons Protons and Imaging). PEPPI shromáždil klinická, zobrazovací a dozimetrická data od dětí s intrakraniálním ependymomem léčených ve Francii v letech 2000 až 2013. Od té doby jsou pacienti léčeni v současném prospektivním programu SIOP II Ependymoma. Naše klinické výsledky potvrdily klasické klinické prognostické faktory včetně dávky radioterapie a ukázali jsme, že zobrazovací biomarkery z T2/FLAIR, perfuzní a difuzní MRI jsou nové prognostické faktory. Uvedli jsme, že k relapsu po RT dochází hlavně lokálně v oblasti s vysokou dávkou. Prognostická hodnota dávky a vysoká míra relapsu při standardní dávce nás přiměly k provedení in silico dozimetrické studie eskalace dávky porovnávající fotony a protony, což potvrzuje proveditelnost tohoto přístupu. V sérii PEPPI nebyla predikce místa relapsu pomocí pokročilého MR zobrazení možná kvůli malému vzorku zobrazovacích dat a nebyla k dispozici současná biomolekulární klasifikace. Nedávno profilování metylace DNA poskytlo novou klasifikaci ependymomu v molekulárních podskupinách, které mají silnou prognostickou hodnotu.

Projekt EPENDYMOMICS si klade za cíl určit prognostickou roli multimodálního zobrazování, identifikovat radiorezistentní shluky predikující relaps a analyzovat spojení mezi radiomickými rysy a genomickými markery, což vede k radiogenomické studii. Bude stavět na databázi s větším počtem pacientů nazvanou NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) s cílem vyvinout radiomický přístup, tj. předpovídat klinické koncové body spoléháním se na kvantitativní vlastnosti extrahované z lékařských snímků pomocí buď ručně vyrobených nebo automatizované algoritmy extrakce funkcí. Tyto vlastnosti budou využívány a kombinovány s dalšími dostupnými proměnnými (klinickými, genetickými atd.) jako vylepšená podpora rozhodování.

1. Sběr dat MRI: Diagnostické, FU až do relapsu (formát DICOM)

   - Sekvence: T1W, T2W, FLAIR, T1W s a bez vylepšení kontrastu, difuzně vážené zobrazení (DWI), perfuzně vážené zobrazení (PWI) Radioterapie: CT sken, RTDOSE, RTSS, RTPLAN (formát DICOM RT) Klinické: Věk, chirurgie, chemoterapie, dávky, pozdní účinky, datum relapsu Histologie: hematoxylinem a eosinem (H&E) barvené histopatologické preparáty Molekulární biologie: Methylační skupiny RELA, YAP, PFA a PFB

2. Kontrola kvality dat a vymezení objemu zájmu pro zpracování dat před následným zpracováním a analýzou.

   Aby byla zajištěna předběžná robustní segmentace obrazu, bude u každého pacienta zkontrolována sada struktury radioterapie. Odesílající radiolog potvrdí všechny změny zobrazení po RT. Expertní radiační onkolog bude segmentovat objemy abnormalit po léčbě v T1WI po kontrastu, v T2W/FLAIR zobrazení, stejně jako místo relapsu a chybějící OAR.

3. Následné zpracování obrazových dat a analýza změn po radioterapii Zpracujeme DWI a PWI pomocí Olea Sphere®3.0 software, řešení pro následné zpracování pro MRI a CT skenery. Budeme extrahovat a generovat mapy zdánlivého difúzního koeficientu z dat DWI vypočítaných na základě voxel po voxelu a mapy relativního objemu mozkové krve vypočítané z dat PWI pomocí rutiny rozkladu singulární hodnoty oscilačního indexu a korekce na efekty úniku vážené T1.

   Všechna data MRI budou přísně registrována společně s T1WI-PC a plánovacím CT.

4. Harmonizace radiomik Provedeme zvýšení úrovně harmonizace snímků a/nebo extrahovaných prvků na vysoce heterogenním datovém souboru z důvodu jeho více zdrojů.

   Vyvineme framework založený na GAN, který převede heterogenní obrázky tak, aby odpovídaly vlastnostem standardní datové sady, jako je referenční obrázek šablony, nebo alternativně jedna sada obrázků vybraných jako reference. Potřebujeme určit relevantní vlastnosti v rámci obrázků (lokální nebo globální metriky, texturu, okraje, kontrast, poměr signálu k šumu atd.) a zajistit schopnost rámce harmonizovat obrázky bez ztráty jejich klinicky relevantních informací a obsahu. .

   V prostoru funkcí lze použít četné statistické přístupy, jako je normalizace nebo kompenzace dávkového efektu. Ukázalo se, že ComBat překonává jiné podobné přístupy a my se budeme spoléhat na odhad Monte Carlo pro malé vzorky. Budeme zkoumat kombinaci metod dávkové korekce s nekontrolovaným shlukováním, abychom se vypořádali s daty s velmi vysokou heterogenitou a velmi malým počtem vzorků na šarži.

   Pro zlepšení výsledků multicentrických radiomických studií by mohlo být přínosné a doplňkové zkombinovat harmonizační metodologii založenou na obrazech a funkcích. Zhodnotíme potenciální přidaný přínos obou dříve vyvinutých přístupů při zlepšování výsledků. Cílem tohoto úkolu bude zjistit, zda je nejúčinnější první nebo druhý přístup (nebo jejich kombinace), přičemž se vezme v úvahu nejen absolutní zlepšení pozorované ve výsledcích, ale také výpočetní čas a úsilí potřebné k implementovat každý přístup v praxi.

5. Biomolekulární analýza Budou zahrnuty biologické zdroje z kohort pacientů s ependymomem PEPPI a SIOPII. Nejprve bude potvrzena diagnóza intrakraniálních ependymomů a poté budou vyšetřeny patologické rysy.

   Klasifikace ependymomů WHO 2020: cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy – Not Official WHO) se rozhodlo klasifikovat ependymomy podle umístění a základní genetické změny. Současná klasifikace WHO se reviduje.

   Biologické studie potřebné pro klasifikaci intrakraniálního ependymomu projektu:

   Imunohistochemie: p65-RelA, H3K27Me3. Analýza FISH (klasifikace a variace počtu kopií). DNA-methylační profilování. Analýza RNAseq.

6. Hluboké učení (DL) pro molekulární biomarkery ependymomu Za tímto účelem tým Zimmer navrhl a vytrénoval hluboké konvoluční neuronové sítě založené na architektuře Inception V3, aby odlišily ependymom od gliomu stupně III a IV. Předběžné výsledky založené na souboru zobrazovacích dat naznačují vysokou přesnost diskriminace a naznačují možnost předpovídat klinicky relevantní mutace pouze ze snímků H&E (rukopis se připravuje).

   Tyto DL přístupy rozšíříme o predikci rezistence na terapii a metastáz. To bude provedeno použitím samotných histopatologických snímků buď jako vstupu nebo v kombinaci s klasifikacemi založenými na molekulárních testech. Na technické úrovni využijeme nejmodernější architektury hlubokých neuronových sítí založené na konvolučních vrstvách a přeskakování spojení. Abychom kompenzovali střední velikost trénovací datové sady, budeme intenzivně využívat přenosové učení. Zde konkrétně využijeme databázi TGCA, která obsahuje snímky velmi odlišných druhů rakoviny, jako je rakovina prsu, a přizpůsobíme úspěšné modely přeškolením na podmnožinu dat o ependymomech získaných v této studii. Přijmeme také víceúrovňové zobrazení obrazu pro lepší využití obrazových informací na buněčné a tkáňové úrovni, použijeme H&E specifickou barevnou normalizaci a metody pro automatizovanou eliminaci oblastí vystavených artefaktům ze zobrazení. Také začleníme vyvinuté metody do Imjoy. Oddělením grafického uživatelského rozhraní od výpočetního back-endu umožňuje uživatelům přístup ke špičkovým výpočetním funkcím z jakékoli pracovní stanice nebo notebooku.

7. Statistická analýza Bude vyvinuto a ověřeno několik signatur: radiomická signatura (RAD-Score), radiomická a klinická signatura (RADClin-Score), molekulární signatura (MOL-score) a globální signatura (radiomická, molekulární a klinická signatura) .

   • RAD-skóre spojené s přežitím bez progrese (PFS). Aby se předešlo zkreslení, NETSPARE vytvořený z retrospektivní multicentrické studie zahrnující nezávislé kohorty je tréninkovou kohortou. Validační kohorta pro testování výkonu radiomického podpisu odpovídá britské kohortě programu SIOP II (n=220). Toto rozdělení umožňuje externí validaci.

Tréninková kohorta: medián PFS se v literatuře odhaduje na 5 let. To odpovídá 3,5letému PFS ve výši 62 %. Při 370 pacientech a mediánu sledování 3,5 roku očekáváme minimálně 120 příhod. Podle základního pravidla doporučujícího 10 událostí na zájmovou proměnnou lze trénovat multiparametrický model kombinující 10 proměnných. Ke studiu asociace mezi zobrazovacími parametry a PFS bude použita alternativní modelovací strategie založená na penalizovaném přístupu. Vzhledem k tomu, že data zobrazovacích biomarkerů daleko přesahují velikost vzorku a jsou vzájemně korelována, budou pro regularizaci a výběr proměnných použity penalizované metody (dříve používané v různých situacích s prostorovými daty), a to podporou seskupovacího efektu a výběrem vysvětlujících proměnných.

Validační kohorta: očekává se 66 událostí. S tímto počtem událostí je možné detekovat s 80% výkonem poměr rizika 0,5 mezi skupinou s nízkým a vysokým rizikem (Logran test oboustranný 0,05).

Demografické údaje: Spojité proměnné budou shrnuty podle kohorty pomocí mediánu, minima, maxima a počtu dostupných pozorování. Kvalitativní proměnné budou sumarizovány pomocí počtů, procent a počtu chybějících údajů. Porovnání mezi kohortou bude provedeno pomocí chí-kvadrát testu (nebo Fisherova exaktního testu, pokud je to vhodné) pro kvalitativní proměnné a Mann-Whitneyho testu pro kvantitativní proměnné.

- Vývoj a validace radiomic signatur: Ke studiu asociace mezi zobrazovacími funkcemi a PFS použijeme alternativní modelovací strategii založenou na penalizovaném Coxově regresním modelu. Metoda elastické sítě podporuje seskupovací efekt a vybírá vysvětlující proměnné. Provedeme 10násobné křížové ověření, abychom vybrali nejlepší penalizační parametr lambda. Parametr míchání α, další parametr metody Elastic net, bude nastaven na výchozí hodnotu 0,5. Ke stanovení skóre RAD budou použity regresní koeficienty spojené s každým stavem různých proměnných. Protože výsledek je časově závislý, bude skóre rizika dichotomizováno pomocí časově závislé ROC křivky, aby se získal klasifikátor (rizikové skupiny: špatná vs. střední vs dobrá prognóza). Optimální prahová hodnota byla stanovena tak, aby bylo po 3 letech dosaženo senzitivity alespoň 80 % a nejlepší specificity.

Intervalová validace bude provedena pomocí křížové validace s ponecháním k-out. Poté použijeme podpis skóre RAD na ověřovací kohortu. Výkony skóre budou hodnoceny pomocí různých kritérií: monotónnost prognostické stratifikace hodnocená pomocí Kaplan-Meierových křivek přežití a odhadu Hazard Ratio (HR), diskriminace hodnocená Harrellovým C-Indexem a statistikou D, kvalita modelu a podíl vysvětlené variace odhadované podle Akaike Information Criterion (AIC) a statistiky RD². Schopnost prognostického skóre identifikovat pacienty s vysokým rizikem relapsu během prvních 3 let bude hodnocena stanovením senzitivity, specificity a prediktivní hodnoty pomocí časově závislé ROC křivky.

- Vývoj a validace RADClin-Score: Abychom začlenili klinické a zobrazovací informace, zkombinujeme jak nízkorozměrná klinická, tak vysokorozměrná zobrazovací data do globálního predikčního modelu. Nejprve zcela ignorujeme zobrazovací funkce. K identifikaci klinických kovariát spojených s PFS bude použit Coxův model. Sestavíme klinický lineární prediktor pomocí regresního koeficientu. Dále použijeme Elastic Net s klinickým lineárním prediktorem v offsetu k identifikaci zobrazovacích prvků. Nakonec spočítáme RADClin-Score pomocí regresního koeficientu. Vyneseme Vennův diagram, abychom porovnali výběr funkcí s RADClin-Score a RAD-Score. Porovnáme model pomocí různých dříve uvedených kritérií.