Multiomisk tilgang til radioresistens af ependymomer hos børn og unge (EPENDYMOMICS)

Modstanden mod behandling fik os til at udføre det nationale PEPPI-studie (Pediatric Ependymoma Photons Protons and Imaging). PEPPI indsamlede kliniske, billeddiagnostiske og dosimetridata fra børn med intrakranielt ependymom behandlet i Frankrig mellem 2000 og 2013. Siden da er patienterne behandlet i det nuværende prospektive SIOP II Ependymoma-program. Vores kliniske resultater bekræftede de klassiske kliniske prognostiske faktorer, herunder stråleterapidosis, og vi viste, at billeddannende biomarkører fra T2/FLAIR, perfusion og diffusions-MR var nye prognostiske faktorer. Vi rapporterede, at tilbagefald efter RT hovedsageligt forekommer lokalt i højdosisregionen. Den prognostiske værdi af dosis og den høje frekvens af tilbagefald med standarddosis fik os til at udføre en in silico dosimetri undersøgelse af dosiseskalering, der sammenligner fotoner og protoner, hvilket bekræfter gennemførligheden af ​​denne tilgang. I PEPPI-serien var forudsigelsen af ​​stedet for tilbagefald med avanceret MR-billeddannelse ikke mulig på grund af en lille prøve af billeddata, og den nylige biomolekylære klassificering var ikke tilgængelig. For nylig gav DNA-methyleringsprofilering en ny klassificering af ependymom i molekylære undergrupper, der rummer en stærk prognostisk værdi.

EPENDYMOMICS-projektet har til formål at bestemme den prognostiske rolle af multimodal billeddannelse, at identificere radioresistente klynger, der forudsiger tilbagefald, og at analysere sammenhængen mellem radiomiks egenskaber og genomiske markører, hvilket fører til en radiogenomisk undersøgelse. Det vil bygge på en database med et større antal patienter kaldet NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) for at udvikle en radiomiks tilgang, dvs. eller automatiserede funktioner ekstraktionsalgoritmer. Disse funktioner vil blive udnyttet og kombineret med andre tilgængelige variabler (kliniske, genetiske osv.) som forbedret beslutningsstøtte.

1. Dataindsamling MR: Diagnostisk, FU indtil tilbagefald (DICOM-format)

   - Sekvenser: T1W, T2W, FLAIR, T1W med og uden kontrastforbedring, diffusionsvægtet billeddannelse (DWI), perfusionsvægtet billeddannelse (PWI) Strålebehandling: CT-scanning, RTDOSE, RTSS, RTPLAN (DICOM RT-format) Klinisk: Alder, kirurgi, kemoterapi, doser, senfølger, tilbagefaldsdato Histologi: Hæmatoxylin og Eosin (H&E)-farvede histopatologiske objektglas Molekylærbiologi: Methyleringsgrupper RELA, YAP, PFA og PFB

2. Datakvalitetstjek og afgrænsning af mængden af ​​interesse for at kurere data før efterbehandling og analyse.

   For at sikre en foreløbig robust billedsegmentering vil strålebehandlingsstruktursættet blive kontrolleret for hver patient. Den henvisende radiolog vil bekræfte alle billeddannelsesændringer efter RT. En ekspert strålingsonkolog vil segmentere mængder af abnormiteter efter behandling i T1WI postkontrast, i T2W/FLAIR-billeddannelse, såvel som stedet for tilbagefald og manglende OAR'er.

3. Billeddata efterbehandling og analyse af ændringer efter strålebehandling Vi vil behandle DWI og PWI med Olea Sphere®3.0 software, en efterbehandlingsløsning til MR- og CT-scannere. Vi vil udtrække og generere kort over tilsyneladende diffusionskoefficienter fra DWI-data beregnet på en voxel-for-voxel-basis og relative cerebrale blodvolumenkort beregnet ud fra PWI-data med en oscillationsindeks-singular værdinedbrydningsrutine og korrektion for T1-vægtede lækageeffekter.

   Alle MR-data vil blive strengt co-registreret med T1WI-PC og planlægnings-CT.

4. Radiomik harmonisering Vi vil udføre en forøgelse af niveauet af harmonisering af billeder og/eller ekstraherede funktioner på meget heterogene datasæt på grund af dets mange kilder.

   Vi vil udvikle en GAN-baseret ramme, der oversætter heterogene billeder til at matche egenskaberne af et standarddatasæt, såsom et skabelonreferencebillede, eller alternativt et sæt billeder valgt som reference. Vi er nødt til at bestemme de relevante egenskaber inden for billeder (lokale eller globale målinger, tekstur, kanter, kontrast, signal-til-støj-forhold osv.) og sikre rammernes evne til at harmonisere billeder uden at miste deres klinisk relevante information og indhold .

   I funktionsrummet kan adskillige statistiske tilgange anvendes, såsom normalisering eller batcheffektkompensation. ComBat har vist sig at overgå andre lignende tilgange, og vi vil stole på Monte Carlo-estimat for små prøver. Vi vil undersøge kombinationen af ​​batch-korrektionsmetoderne med uovervåget clustering for at håndtere data, der præsenterer meget høj heterogenitet og et meget lille antal prøver pr. batch.

   Det kan være fordelagtigt og komplementært at kombinere billedbaserede og funktionsbaserede harmoniseringsmetoder til at forbedre resultaterne af multicenter radiomikstudier. Vi vil evaluere den potentielle ekstra fordel ved begge tidligere udviklede tilgange til at forbedre resultaterne. Målet med denne opgave vil være at fastslå, om den første eller anden tilgang (eller kombinationen af ​​begge) er den mest effektive, idet der ikke kun tages hensyn til den absolutte forbedring, der er observeret i resultaterne, men også den computertid og -anstrengelse, der kræves for at implementere hver tilgang i praksis.

5. Biomolekylær analyse Biologiske ressourcer fra PEPPI og SIOPII ependymoma kohorter af patienter vil blive inkluderet. Først vil diagnosen af ​​intrakranielle ependymomer blive bekræftet, og derefter vil patologiske træk blive undersøgt.

   WHO 2020-klassificering af ependymomer: cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) besluttede at klassificere ependymomer efter placering og den underliggende genetiske ændring. Den nuværende WHO-klassifikation er under revision.

   Biologiske undersøgelser, der kræves for at klassificere intrakranielt ependymom af projektet:

   Immunhistokemi: p65-RelA, H3K27Me3. FISH-analyse (klassificering og kopinummervariationer). DNA-methyleringsprofilering. RNAseq analyse.

6. Deep learning (DL) for molekylære biomarkører af ependymom Til dette formål har Zimmer-teamet designet og trænet dybe foldede neurale netværk baseret på Inception V3-arkitekturen for at skelne ependymom fra gliom grad III og IV. Foreløbige resultater baseret på et billeddatasæt indikerer en høj nøjagtighed af diskrimination og foreslår muligheden for at forudsige klinisk relevante mutationer fra H&E-billeder alene (manuskript under forberedelse).

   Vi vil udvide disse DL-tilgange til at forudsige resistens over for terapi og metastaser. Dette vil ske ved at bruge histopatologibillederne alene enten som input eller i kombination med klassifikationer baseret på molekylære assays. På et teknisk niveau vil vi bruge state-of-the-art dybe neurale netværksarkitekturer baseret på foldningslag og overspringsforbindelser. For at kompensere for den moderate størrelse af træningsdatasættet vil vi gøre stor brug af transfer learning. Her vil vi gøre specifik brug af TGCA-databasen, som indeholder billeder fra meget forskellige kræftformer såsom brystkræft, og tilpasse vellykkede modeller ved at genoptræne på en undergruppe af ependymomdataene erhvervet i denne undersøgelse. Vi vil også vedtage multi-skala billedrepræsentationer for en bedre udnyttelse af billedinformationen på celle- og vævsniveauer, bruge H&E-specifik farvenormalisering og metoder til automatiseret eliminering af områder, der er genstand for billeddannelsesartefakter. Vi vil også inkorporere de udviklede metoder i Imjoy. Ved at afkoble den grafiske brugergrænseflade fra den computerbaserede backend, giver den brugerne adgang til avancerede computerfunktioner fra enhver arbejdsstation eller bærbar computer.

7. Statistisk analyse Adskillige signaturer vil blive udviklet og valideret: en radiomisk signatur (RAD-Score), en radiomisk og klinisk signatur (RADClin-Score), en molekylær signatur (MOL-score) og en global signatur (Radiomic, Molecular and clinical signatur) .

   • RAD-score forbundet med progressionsfri overlevelse (PFS). For at undgå skævheder er NETSPARE bygget fra retrospektiv multicenterundersøgelse inklusive uafhængige kohorter en træningskohorte. Valideringskohorten til at teste ydeevnen af ​​den radiomiske signatur svarer til den britiske kohorte af SIOP II-programmet (n=220). Denne opdeling tillader ekstern validering.

Træningskohorte: medianen af ​​PFS er estimeret til at være 5 år i litteraturen. Det svarer til en 3,5-årig PFS på 62%. Med 370 patienter og en medianopfølgning på 3,5 år forventer vi mindst 120 hændelser. I henhold til tommelfingerreglen, der anbefaler 10 hændelser pr. variabel af interesse, kan en multiparametrisk model, der kombinerer 10 variable, trænes. En alternativ modelleringsstrategi baseret på en straffet tilgang vil blive brugt til at studere sammenhængen mellem billeddannelsesparametre og PFS. Da billeddannelsesbiomarkørdata langt overstiger stikprøvestørrelsen og er indbyrdes korrelerede, vil straffede metoder (tidligere brugt i forskellige situationer med rumlige data) blive brugt til regularisering og udvælgelse af variabler ved at fremme grupperingseffekten og udvælge forklarende variable.

Valideringskohorte: Der forventes 66 arrangementer. Med dette antal hændelser er det muligt med 80 % effekt at detektere et hazard ratio på 0,5 mellem lav- og højrisikogruppen (Logrank test tosidet 0,05).

Demografiske data: Kontinuerlige variable vil blive opsummeret efter kohorte ved hjælp af median, minimum, maksimum og antal tilgængelige observationer. Kvalitative variabler vil blive opsummeret ved hjælp af antal, procenter og antal manglende data. Sammenligning mellem kohorten vil blive udført ved hjælp af chi-kvadrat-testen (eller Fisher-eksakte test, hvis relevant) for kvalitative variable og Mann-Whitney-testen for kvantitative variable.

- Udvikling og validering af radiomiksignatur: For at studere sammenhængen mellem billeddannelsesfunktioner og PFS vil vi bruge en alternativ modelleringsstrategi baseret på den straffede Cox-regressionsmodel. Elastic Net-metoden tilskynder til grupperingseffekt og udvælger forklarende variable. Vi udfører en 10-dobbelt krydsvalidering for at vælge den bedste strafparameter lambda. Blandingsparameteren α, en anden parameter i Elastic net-metoden, vil blive indstillet til en standardværdi på 0,5. Regressionskoefficienterne forbundet med hver tilstand af de forskellige variabler vil blive brugt til at bestemme RAD-scoren. Da resultatet er tidsafhængig, vil risikoscoren blive dikotomiseret ved hjælp af en tidsafhængig ROC-kurve for at opnå en klassifikator (risikogrupper: dårlig vs mellemliggende vs god prognose). Den optimale tærskel er blevet bestemt til at opnå ved 3 år en sensitivitet på mindst 80 % og den bedste specificitet.

En intervalvalidering vil blive udført ved hjælp af en leave k-out krydsvalidering. Vi vil derefter anvende RAD-score-signaturen på valideringskohorten. Præstationer af score vil blive evalueret ved hjælp af forskellige kriterier: monotonicitet af den prognostiske stratifikation vurderet ved hjælp af Kaplan-Meier overlevelseskurver og Hazard Ratio (HR) estimering, diskrimination evalueret af Harrell's C-indeks og D-statistikken, kvaliteten af ​​modellen og andelen af forklaret variation estimeret af henholdsvis Akaike Information Criterion (AIC) og RD²-statistikken. Prognostisk scores evne til at identificere patienter med høj risiko for tilbagefald i løbet af de første 3 år vil blive evalueret ved at bestemme sensitivitet, specificitet og prædiktiv værdi ved hjælp af en tidsafhængig ROC-kurve.

- RADClin-Score udvikling og validering: For at inkorporere klinisk information og billeddannelsesinformation vil vi kombinere både lavdimensionelle kliniske og højdimensionelle billeddannelsesdata i en global forudsigelsesmodel. Først vil vi fuldstændig ignorere billedbehandlingsfunktionerne. En Cox-model vil blive tilpasset til at identificere kliniske kovariater forbundet med PFS. Vi vil bygge en klinisk lineær prædiktor ved hjælp af en regressionskoefficient. Dernæst vil vi bruge Elastic Net med den kliniske lineære prædiktor i offset for at identificere billeddannelsesfunktioner. Til sidst vil vi beregne RADClin-score ved hjælp af en regressionskoefficient. Vi vil plotte et Venn-diagram for at sammenligne funktionsvalg med RADClin-Score og RAD-Score. Vi vil sammenligne modellen ved at bruge de forskellige kriterier, der tidligere er præsenteret.