Prostorová a časová charakterizace gliomů pomocí radiomické analýzy (GLIO-RAD)

V navrhované retrospektivní studii budou analyzovány snímky (MRI, CT nebo PET) pořízené jako součást standardní péče (před léčbou, po operaci, hodnocení odpovědi a sledování). Databáze DMG uchovávající záznamy o pacientech registrovaných v TMC neuro-onkologické DMG bude podrobena screeningu, aby se identifikovali pacienti způsobilí pro studii. S přibližně 500-600 gliomy pozorovanými ročně a přibližně 80-100 pacienty/rok se zobrazením před léčbou očekáváme strop 1000 pacientů během let 2010-2022, což bude maximální počet pacientů použitých pro analýzu. Všechny snímky budou staženy z PACS s použitím anonymizačních filtrů, přičemž klinické záznamy budou extrahovány kontrolou elektronických lékařských záznamů a radiačních plánů. 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. Segmentace obrazu pro klasifikaci oblasti zájmu bude provedena a individuálně ověřena neuroradiologem nebo lékařem nukleární medicíny podle potřeby. Segmentace budou provedeny za účelem identifikace T1-kontrastní oblasti (CE), nezvýšených oblastí (NE) a nekrózy (NEC) řízené oblastmi T1-C, T2W a T2-FLAIR. 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 snímků, včetně intenzity pole pro MRI a různých parametrů získávání snímků. Pro automatickou segmentaci budou použity algoritmy strojového učení pod dohledem i bez něj. Pro model pod dohledem bude celá databáze rozdělena do školicích a testovacích kohort pro vývoj modelu a aplikace. Účinnost automatizovaného modelu bude testována pomocí koeficientu podobnosti kostek mezi oblastmi manuální segmentace a segmenty založenými na AI. Pro prognostiku gliomů bude další krok zahrnovat extrakci rysů, 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 softwaru s otevřeným zdrojovým kódem, jako je Python (python.org). Díky neustálému pokroku ve výpočetní vědě budou dostupné novější analytické techniky a platformy podle potřeby aplikovány spolupracovníky z Indian Statistical Institute, Kalkata, Machine Intelligence Unit sdílením anonymizovaných dat.