Kunstig intelligens i CNS-strålingsonkologi (AI-RAD)

I det foreslåede retrospektive studie vil patienter behandlet med strålebehandling (RT) for tumorer i centralnervesystemet (CNS) blive inkluderet. DMG-databasen, der vedligeholder optegnelser over patienter, der er registreret og behandlet i TMC (Tata Memorial Centre) neuroonkologisk DMG (Disease Management Group), vil blive screenet for at identificere de patienter, der er kvalificerede til undersøgelsen. Med cirka 500-600 patienter med CNS-tumorer behandlet med RT i TMC hvert år, forventer vi et loft på 6000 patienter i løbet af 2010-2022, hvilket vil være det maksimale antal patienter, der anvendes til analysen. Billederne (CT, MR, PET), der bruges til RT-planlægning, midt-behandlingsbilleddannelse som en del af IGRT (Image-guided radiation therapy) eller sygdomsevaluering og responsvurdering/overvågning efter RT vil blive analyseret. Strålingsplanerne og dosis-volumen histogram vil blive indhentet fra TPS (Treatment Planning System). Alle billeder og strålingsrelaterede data vil blive downloadet fra PACS (Picture Archiving and Communication System) og TPS ved anvendelse af anonymiseringsfiltre. Kliniske træk (patient, sygdom, behandlingsrelaterede karakteristika og resultater) vil blive udtrukket ved gennemgang af elektroniske lægejournaler. 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. Målvolumenerne, dvs. brutto tumorvolumen (GTV), klinisk målvolumen (CTV) og planlægningsmålvolumen (PTV), og OAR'er vil blive individuelt gennemgået af strålingsonkologer med modifikationer anvendt efter behov (f.eks. udelukkelse af OAR'er (organer) i fare) forvrænget af sygdom eller operation) og vil blive brugt til at træne maskinlæringsmodellerne til overvåget læring. 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 billedets heterogenitet, herunder feltstyrke for MRI og forskellige billedoptagelsesparametre. Til autosegmentering 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. Da OAR'erne er ensartet anvendelige for forskellige histologi- eller tumorsteder, vil autosegmenteringstræning blive anvendt på hele datasættet. Men i betragtning af at der er variationer i målvolumenafgrænsninger (f.eks. for afgrænsede vs. diffuse tumorer, lav grad vs. høj grad), vil træningen/testen for tv'er være anvendelig for individuelle sygdomsenheder. Effektiviteten af ​​den automatiserede model vil blive testet ved hjælp af terningernes lighedskoefficient mellem manuel segmenteringsregioner og AI-baserede segmenter. Til forudsigelse af udfald (f.eks. overlevelse og toksiciteter) vil næste trin omfatte ekstraktion af funktioner fra billeder (CT, MRI, PET) svarende til forskellige TV- og OAR'er og RT-dosisfordelingsdata konverteret til volumetriske billed-/taldata (dosiomics), som vil bestå af førsteordens (herunder 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, tumorområde af interesse vs. ikke-tumoralt område) 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 opensource-software som Python (python.org). Som et tertiært mål i projektet vil vi udvikle en protokol for anonymiseret datalagring (klinisk information, strålingsplanlægning og responsvurderingsbilleder, strålingsplanlægningsdata, intrabehandlingsbilleder som keglestrålecomputertomografi) i et sikret billedbiobanklager med beskyttet skyrum. Naturlig sprogbehandling (NLP) algoritmer vil også blive udviklet til at træne og validere model til ekstraktion og dokumentation af kliniske variabler udtrukket til undersøgelsen. Med kontinuerlige fremskridt inden for beregningsvidenskab vil tilgængelige nyere analytiske teknikker og platforme blive anvendt efter behov af samarbejdspartnere fra Bhabha Atomic Research Centre, Mumbai, ved at dele anonymiserede data.