Rumlig og tidsmæssig karakterisering af gliomer ved hjælp af radiomisk analyse (GLIO-RAD)

I den foreslåede retrospektive undersøgelse vil billeder (MRI, CT eller PET), der er foretaget som en del af standardbehandlingen (før-behandling, postoperativ, responsvurdering og overvågning) blive analyseret. DMG-databasen, der vedligeholder optegnelser over patienter, der er registreret i TMC neuro-onkologisk DMG, vil blive screenet for at identificere de patienter, der er kvalificerede til undersøgelsen. Med cirka 500-600 gliomer set årligt og cirka 80-100 patienter/år med billeddiagnostik før behandling, forventer vi et loft på 1000 patienter i løbet af 2010-2022, hvilket vil være det maksimale antal patienter, der anvendes til analysen. Alle billeder vil blive downloadet fra PACS ved at anvende anonymiseringsfiltre, med kliniske optegnelser udtrukket ved gennemgang af elektroniske lægejournaler og strålingsplaner. Der vil blive udført billeddannelsesforbehandling, som vil omfatte kraniestripping og registrering på tværs af forskellige modaliteter (f.eks. MR og CT) eller forskellige sekvenser (f.eks. T1C, T2W, ADC) vil blive udført ved hjælp af stive eller deformerbare algoritmer, som passer bedst til modalitet. Billedsegmentering for at klassificere området af interesse vil blive udført og verificeret individuelt af en neuro-radiolog eller nuklearmedicinsk læge efter behov. Segmenteringerne vil blive udført for at identificere T1-kontrastforstærkende region (CE), ikke-forstærkende regioner (NE) og nekrose (NEC) styret af T1-C, T2W og T2-FLAIR områder. Konturerne og billederne gensamples til en ensartet opløsning for forskellige sekvenser eller modaliteter (f.eks. T2W/ADC/PET) for at matche enten med 3D-sekvensen (f.eks. FSPGR-sekvens) eller tilgængelige billeder med den mindste skivetykkelse. Efterfølgende vil normaliseringsteknikker (f.eks. histogramnormalisering / Z-score normalisering) blive udført inden for de enkelte billeder og på tværs af hele datasættet for at tage højde for eller billedheterogenitet, herunder feltstyrke for MRI og forskellige billedoptagelsesparametre. Til automatisk segmentering vil både overvågede og ikke-overvågede maskinlæringsalgoritmer blive anvendt. For den superviserede model vil hele databasen blive opdelt i trænings- og testkohorter for henholdsvis model- og applikationsudvikling. Effektiviteten af ​​den automatiserede model vil blive testet ved hjælp af terningernes lighedskoefficient mellem manuel segmenteringsregioner og AI-baserede segmenter. Til prognostisering af gliomer vil det næste trin omfatte trækekstraktion, som vil bestå af førsteordens (inklusive form, histogram), andenordens eller højere ordens (f.eks. forskellige teksturfunktioner som GLCM, GLDM, GLSZM osv.) , eller der vil blive anvendt dyb læringsteknikker. Delta-radiomiks vil omfatte tidsmæssige ændringer i de radiomiske egenskaber fra forskellige tidspunkter for den samme patient inden for hele volumen og individuelle regioner. Efterfølgende vil funktionsreduktion og udvælgelsesteknikker som LASSO, rekursiv funktionseliminering blive brugt til at shortliste antallet af funktioner afhængigt af prøvestørrelsen. Outputtet vil blive besluttet baseret på den modellering, der er defineret for specifikke klasseproblemer (f.eks. tumor vs. ødem, recidiv vs. pseudoprogression, resultater, tumorregion af interesse vs. ikke-tumorområde) som opnået fra den kliniske information. Enhver klasseubalance vil blive afhjulpet ved hjælp af metoder som tilfældig delmængdesampling eller SMOTE-analyse til dataforøgelse af minoritetsklassen. Maskinlæringsalgoritmer som LDA, k-NN, SVM, random forest, AdaBoost osv. vil blive anvendt enkeltvis eller i kombination som en samlet klassificering for at finde modellen med den bedste ydeevne. Deep learning-klassifikatorer vil blive brugt sammen med funktionsbaseret modellering og sammenlignet for at teste klassifikatorens anvendelighed. Valideringsteknikker som leave-one-out validering, k-fold validering og opdeling (i trænings- og testkohorte) vil blive brugt til at vurdere stabiliteten af ​​maskinlæringsmodellen. Radiomisk analyse vil blive udført af dataforskere/undersøgelsesforskere med ekspertise i dataanalyse. Alle segmenteringer vil blive udført på open source-software som ITK snap (itksnap.org) eller 3D Slicer (slicer.org). Funktionsudtrækning og modellering vil blive udført ved hjælp af open source-software som Python (python.org). Med kontinuerlige fremskridt inden for beregningsvidenskab vil tilgængelige nyere analytiske teknikker og platforme blive anvendt efter behov af samarbejdspartnere fra Indian Statistical Institute, Kolkata, Machine Intelligence Unit ved at dele de anonymiserede data.