Sporing af hjernetumorer gennem dyb tid (TRACE)

Patienter (pædiatriske og voksne) med en diagnose (radiologisk/histopatologisk) af primære hjernetumorer registreret i den neuro-onkologiske sygdomsbehandlingsgruppe mellem januar 2005 og december 2023 vil blive screenet. Cirka 500-600 patienter forventes at være berettigede om året med billeddata (ca. 500 patienter behandles årligt med stråling i vores center med tilgængelige CT-data til strålingsplanlægning, og yderligere 100-200 patienter, der skal scannes præ- eller postoperativt ). For ovennævnte tidsperiode forventes data at være tilgængelige fra ca. 10.000 patienter, hvilket vil være den øvre grænse for stikprøvestørrelse for det aktuelle studie.

Arealet af den primære tumor (eller kavitet og resterende tumor, der angiver den oprindelige placering for postoperative data) vil blive segmenteret på CT og/eller MR som tilgængeligt. Det peritumorale ødem vil blive udelukket fra den segmenterede region. Segmenteringen vil ske manuelt i en indledende kohorte på ca. 200-500 patienter. Efterfølgende vil en maskinlæringsalgoritme som et 3D U-net eller deep learning-baseret teknik blive trænet på de indledende data (og valideret på de næste 100-200 patienter for at vurdere algoritmens nøjagtighed og robusthed) til hurtig implementering og segmentering af de store datasæt. Når hjernetumorregioner er identificeret på tværs af hele befolkningen, vil tæthedskort blive genereret for at gengive placeringen af ​​tumorer på en kvantitativ skala i forhold til patientens alder under diagnosen (alder i år som kontinuerlige data og kategoriske data, dvs. aldersgrupper, f.eks. spædbørn, børn, teenagere, teenagere. voksne og ældre). De genererede tæthedskort vil blive sammenlignet med områder af hvirveldyrs hjerneregioner (med åbent tilgængelig litteratur) på tværs af arter med hensyn til geologisk skala/dybe tidsenheder, fx i enheder på 10-50 millioner år. På samme måde vil kraniets knogleanatomi blive ekstraheret fra CT- og/eller MR-data (ved at anvende teknikker som vinduesintensitetstærskler uden behov for segmentering). Patienter med større defekter i calvarial kraniet som følge af øget intrakranielt tryk eller kirurgiske indgreb vil blive udelukket fra analysen af ​​calvarial antropometri (den vil dog være tilgængelig til vurdering af kraniets anatomi). De organisatoriske mønstre vil blive analyseret ved hjælp af maskinlæringsmodeller og andre statistiske modeller som Bayesianske statistikker og sammenlignet med andre offentligt tilgængelige normale menneskelige populationer uden hjernetumorer (justering for alder, race som relevant), fossile data fra hvirveldyr/ hominider, ikke-menneskelige primater til genkendelse af link. Densitetskortene og antropometriske data vil blive sammenlignet inden for hele kohorten af ​​patienter med hjernetumorer (fra undersøgelsen) stratificeret efter faktorer som alder (som tidligere nævnt), tumorplacering (f.eks. supratentorial vs. infratentorial), tumorgrad (godartet vs. lav karakter vs høj karakter). Den statistiske analyse for tæthedskort og antropometri vil blive udført ved at dele anonymiserede data med samarbejdspartnere med ekspertise i lignende forskning fra Indian Statistical Institute (Geological Studies Unit og Interdisciplinary Statistical Research Unit).