RAdiogenomika u nádorů tlustého střeva založená na umělé inteligenci (ATTRACT)

Studie ATTRACT se skládá z retrospektivní a prospektivní části. V retrospektivní části studie budou radiologická, patologická a genomická data 300 pacientů s rakovinou tlustého střeva stadia II-III použita k identifikaci genetických a radiomických rysů nádorů tlustého střeva a klinických koncových bodů jako výsledků prediktivního modelu.

Nádory budou ručně segmentovány na CT snímcích a použity pro generování modelu umělé inteligence (AI). Patologické anotace budou spojeny s odpovídajícími anonymizovanými profily. Imunohistochemie bude použita ke klasifikaci vzorků do 4 molekulárních podtypů podle. RNA-seq profily budou také generovány ze vzorků tkání pomocí cílené transkriptomiky s použitím vlastních NGS (next-generation sequencing) panelů speciálně navržených pro hodnocení genové exprese a hodnocení nádorové mutační zátěže (TMB). Nezpracovaná data budou zpracována a modelována pomocí analýzy topologických cest pro stratifikaci pacientů podle relevantních molekulárních znaků a definování molekulárních anotací, které budou použity k trénování modelu pro identifikaci specifických klinicky relevantních skupin. Nezpracovaná data spolu s radiologickými daty budou použita pro generování a trénování AI modelů pro automatizovanou segmentaci a extrakci radiogenomických signatur.

Radiomické rysy budou extrahovány z ručně segmentovaných nádorů. Budou použity standardní nástroje PyRadiomics i nástroje na míru. Robustnost prvků bude zaručena výběrem pouze těch s vysokou statistickou korelací mezi pozorovateli. Budou vytvořeny dvě rodiny modelů umělé inteligence, jedna rodina se věnuje segmentaci a druhá fenotypování na základě radiogenomiky podle dostupných klinických, molekulárně biologických a patologických dat. Tyto dvě rodiny budou spojeny pro vytvoření modelu ATTRACT AI. Pro generování těchto modelů budou použity specifické architektury konvolučních neuronových sítí (CNN) založené na hlubokém učení (DL) a umělé inteligenci jako UNet a MaskNet. Školení bude provedeno pomocí manuálních segmentací ROI (region of interest) jako základní pravdy. Pro generování modelů radiogenomické analýzy budou radiomiky a genomické vlastnosti kombinovány pomocí různých vícerozměrných algoritmů. Klasifikátor bude vyškolen k rozpoznání podtypů rakoviny a klinických koncových bodů.

V prospektivní části studie budou zařazeni pacienti s karcinomem tlustého střeva stadia II-III, kteří podstoupí předoperační kontrastní CT vyšetření. Míra náboru bude 70 pacientů ročně, celkem tedy 210 pacientů. Po předoperačním CT bude operace provedena podle mezinárodních standardních protokolů. Eventuálně bude zvážena adjuvantní terapie podle současných doporučení. Bude analyzován patologický vzorek prospektivního zařazení. Za prvé, s daty RNA-seq, TMB (kódujících genů) a klinickými daty budou pacienti seskupeni pomocí dvou různých technik Markov Cluster algorithm (MCL) a t-SNE (t-distributed stochastic sousední embedding), Multi- Layer Network clustering. Pacienti budou reprezentováni jako uzel sítě, okraje mezi uzly budou zváženy a prahovány podle Jaccardovy podobnosti. Podobnost bude vypočítána na základě informací o genové expresi, TMB a poruchách pocházejících z analýzy topologické dráhy. Výsledky shlukování budou porovnány s výsledky pocházejícími z Imunohistochemie. Údaje z klinického sledování (tj. výsledek terapie atd...), jakmile budou k dispozici, budou také zapojeny do pracovního postupu, aby se vynucovalo učení. Extrahované znalosti budou použity k anotaci datového souboru používaného k trénování a validaci radiomické klasifikace. Hrubý vzorek bude analyzován za účelem extrahování různých transkriptomických molekulárních podtypů (CMS1, CMS2, CMS3, CMS4) v souladu s konsorciem pro podtypování kolorektálního karcinomu (CRC) (CRCSC), které posoudí přítomnost nebo nepřítomnost vzorců základních podtypů mezi existujícími genovými expresemi- založené na CRC podtypovacích algoritmech. Soulad mezi patologickým molekulárním profilem a analýzou ctDNA během protokolu bude vztažen k radiomické klasifikaci s cílem poskytnout nový ucelený diagnostický model přístupu v léčbě a sledování CRC.

Prospektivní data budou použita k ověření modelů AI. U segmentačních modelů bude koeficient kostky použit jako indikátor pro měření míry překrývání mezi automatizovanou a expertní segmentací. U radiogenomického modelu budou výkony hodnoceny pomocí přesnosti, integrální pod křivkou operátora přijímače (ROC-AUC) a klinické rozhodovací křivky. Vyšetřovatelé také vezmou v úvahu, aby vybrali nejlepší modely umělé inteligence, odezvu na variace vstupních charakteristik a vytvoří mapy význačnosti, kde budou zvýrazněny rysy vstupního obrázku, které většinou přispěly ke klasifikaci.

Klinické hodnocení s bude prováděno každých 6 měsíců po dobu 2 let, včetně pravidelných sérových testů CEA (karcinoembryonální antigen) a celotělového CT každých 6-12 měsíců u pacientů, kteří mají vyšší riziko recidivy v prvních 3 letech po ESMO (evropské Pokyny Společnosti pro lékařskou onkologii. Bude vypočítáno přežití bez onemocnění (DFS) a přežití bez relapsu (RFS).