Räumliche und zeitliche Charakterisierung von Gliomen mittels radiomischer Analyse (GLIO-RAD)

In der vorgeschlagenen retrospektiven Studie werden Bilder (MRT, CT oder PET) analysiert, die im Rahmen der Standardversorgung (Vorbehandlung, Postoperation, Beurteilung des Ansprechens und Überwachung) erstellt wurden. Die DMG-Datenbank, in der Aufzeichnungen über Patienten geführt werden, die in der DMG für Neuroonkologie des TMC registriert sind, wird durchsucht, um die für die Studie in Frage kommenden Patienten zu identifizieren. Bei etwa 500–600 beobachteten Gliomen pro Jahr und etwa 80–100 Patienten pro Jahr, die sich einer Bildgebung vor der Behandlung unterziehen, rechnen wir mit einer Obergrenze von 1000 Patienten im Zeitraum 2010–2022, was der maximalen Anzahl an Patienten entspricht, die für die Analyse herangezogen werden. Alle Bilder werden unter Anwendung von Anonymisierungsfiltern aus dem PACS heruntergeladen, wobei klinische Aufzeichnungen durch Überprüfung elektronischer Krankenakten und Bestrahlungspläne extrahiert werden. Es wird eine bildgebende Vorverarbeitung durchgeführt, die das Abtrennen und Registrieren des Schädels über verschiedene Modalitäten hinweg (z. B. MRT und CT) oder verschiedene Sequenzen (z. B. T1C, T2W, ADC) umfasst, wobei starre oder verformbare Algorithmen verwendet werden, je nachdem, welche für sie am besten geeignet sind Modalität. Die Bildsegmentierung zur Klassifizierung der interessierenden Region wird individuell von einem Neuroradiologen oder Nuklearmediziner durchgeführt und überprüft. Die Segmentierungen werden durchgeführt, um T1-kontrastverstärkende Regionen (CE), nichtverstärkte Regionen (NE) und Nekrose (NEC) zu identifizieren, die durch T1-C-, T2W- und T2-FLAIR-Bereiche gesteuert werden. Die Konturen und Bilder werden für verschiedene Sequenzen oder Modalitäten (z. B. T2W/ADC/PET) auf eine einheitliche Auflösung neu abgetastet, um entweder mit der 3D-Sequenz (z. B. FSPGR-Sequenz) oder verfügbaren Bildern mit der geringsten Schichtdicke übereinzustimmen. Anschließend werden Normalisierungstechniken (z. B. Histogramm-Normalisierung/Z-Score-Normalisierung) innerhalb der einzelnen Bilder und im gesamten Datensatz durchgeführt, um Bildheterogenität, einschließlich Feldstärke für MRT und verschiedene Bildaufnahmeparameter, zu berücksichtigen. Für die automatische Segmentierung werden sowohl überwachte als auch unüberwachte Algorithmen des maschinellen Lernens eingesetzt. Für das überwachte Modell wird die gesamte Datenbank in Trainings- und Testkohorten für die Modell- bzw. Anwendungsentwicklung aufgeteilt. Die Wirksamkeit des automatisierten Modells wird anhand des Würfelähnlichkeitskoeffizienten zwischen manuell segmentierten Regionen und KI-basierten Segmenten getestet. Zur Prognose von Gliomen umfasst der nächste Schritt die Merkmalsextraktion, die aus Merkmalen erster Ordnung (einschließlich Form, Histogramm), zweiter Ordnung oder höherer Ordnung (z. B. verschiedene Texturmerkmale wie GLCM, GLDM, GLSZM usw.) besteht. oder Deep-Learning-Techniken werden eingesetzt. Delta-Radiomics umfassen zeitliche Änderungen der Radiomic-Merkmale zu verschiedenen Zeitpunkten für denselben Patienten im gesamten Volumen und in einzelnen Regionen. Anschließend werden Techniken zur Merkmalsreduzierung und -auswahl wie LASSO und rekursive Merkmalseliminierung verwendet, um die Anzahl der Merkmale abhängig von der Stichprobengröße in die engere Wahl zu ziehen. Über die Ergebnisse wird auf der Grundlage der Modellierung entschieden, die für bestimmte Klassenprobleme definiert ist (z. B. Tumor vs. Ödem, Rezidiv vs. Pseudoprogression, Ergebnisse, interessierende Tumorregion vs. nicht-tumoraler Bereich), wie aus den klinischen Informationen gewonnen. Jegliches Klassenungleichgewicht wird mithilfe von Methoden wie zufälliger Teilmengenstichprobe oder SMOTE-Analyse zur Datenerweiterung der Minderheitsklasse behoben. Algorithmen für maschinelles Lernen wie LDA, k-NN, SVM, Random Forest, AdaBoost usw. werden einzeln oder in Kombination als Ensemble-Klassifikator angewendet, um das Modell mit der besten Leistung zu finden. Deep-Learning-Klassifikatoren werden zusammen mit merkmalsbasierter Modellierung verwendet und verglichen, um die Anwendbarkeit des Klassifikators zu testen. Validierungstechniken wie Leave-One-Out-Validierung, k-fache Validierung und Aufteilung (in Trainings- und Testkohorte) werden verwendet, um die Stabilität des maschinellen Lernmodells zu bewerten. Die Radiomic-Analyse wird von Datenwissenschaftlern/Studienforschern mit Erfahrung in der Datenanalyse durchgeführt. Alle Segmentierungen werden mit Open-Source-Software wie ITK Snap (itksnap.org) durchgeführt. oder 3D Slicer (slicer.org). Die Merkmalsextraktion und -modellierung erfolgt mit Open-Source-Software wie Python (python.org). Angesichts der kontinuierlichen Fortschritte in der Computerwissenschaft werden verfügbare neuere Analysetechniken und Plattformen von Mitarbeitern des Indian Statistical Institute, Kolkata, Machine Intelligence Unit, entsprechend angewendet, indem die anonymisierten Daten geteilt werden.