Multiomischer Ansatz zur Strahlenresistenz von Ependymomen bei Kindern und Jugendlichen (EPENDYMOMICS)

Die Therapieresistenz veranlasste uns, die nationale PEPPI-Studie (Pediatric Ependymoma Photons Protons and Imaging) durchzuführen. PEPPI sammelte klinische, bildgebende und dosimetrische Daten von Kindern mit intrakranialem Ependymom, die zwischen 2000 und 2013 in Frankreich behandelt wurden. Seitdem werden Patienten im aktuellen prospektiven Ependymom-Programm SIOP II behandelt. Unsere klinischen Ergebnisse bestätigten die klassischen klinischen Prognosefaktoren, einschließlich Strahlentherapiedosis, und wir zeigten, dass bildgebende Biomarker aus T2/FLAIR, Perfusion und Diffusions-MRT neuartige Prognosefaktoren waren. Wir berichteten, dass ein Rückfall nach RT hauptsächlich lokal innerhalb der Hochdosisregion auftritt. Der prognostische Wert der Dosis und die hohe Rezidivrate bei Standarddosis veranlassten uns, eine In-silico-Dosimetriestudie zur Dosiseskalation durchzuführen, bei der Photonen und Protonen verglichen wurden, was die Machbarkeit dieses Ansatzes bestätigte. In der PEPPI-Serie war die Vorhersage der Rezidivstelle mit fortschrittlicher MR-Bildgebung aufgrund einer kleinen Stichprobe von Bildgebungsdaten nicht möglich und die aktuelle biomolekulare Klassifikation war nicht verfügbar. Kürzlich lieferte das DNA-Methylierungsprofiling eine neue Klassifizierung von Ependymomen in molekulare Untergruppen, die einen starken prognostischen Wert beherbergen.

Das EPENDYMOMICS-Projekt zielt darauf ab, die prognostische Rolle der multimodalen Bildgebung zu bestimmen, strahlenresistente Cluster zu identifizieren, die einen Rückfall vorhersagen, und die Verbindung zwischen Radiomics-Merkmalen und genomischen Markern zu analysieren, was zu einer radiogenomischen Studie führt. Es wird auf einer Datenbank mit einer größeren Anzahl von Patienten namens NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) aufbauen, um einen Radiomics-Ansatz zu entwickeln, d. h. klinische Endpunkte vorherzusagen, indem man sich auf quantitative Merkmale stützt, die aus medizinischen Bildern extrahiert werden, wobei beide manuell erstellt wurden oder automatisierte Merkmalsextraktionsalgorithmen. Diese Merkmale werden ausgenutzt und mit anderen verfügbaren Variablen (klinisch, genetisch usw.) als verbesserte Entscheidungsunterstützung kombiniert.

1. Datenerhebung MRT: Diagnostik, FU bis Rezidiv (DICOM-Format)

   - Sequenzen: T1W, T2W, FLAIR, T1W mit und ohne Kontrastverstärkung, diffusionsgewichtete Bildgebung (DWI), perfusionsgewichtete Bildgebung (PWI) Strahlentherapie: CT-Scan, RTDOSE, RTSS, RTPLAN (DICOM RT-Format) Klinisch: Alter, Operation, Chemotherapie, Dosen, Spätfolgen, Rückfalldatum Histologie: Hämatoxylin und Eosin (H&E)-gefärbte histopathologische Objektträger Molekularbiologie: Methylierungsgruppen RELA, YAP, PFA und PFB

2. Datenqualitätsprüfung und Abgrenzung des interessierenden Volumens, um Daten vor der Nachbearbeitung und Analyse zu kuratieren.

   Um eine vorläufige robuste Bildsegmentierung zu gewährleisten, wird das Radiotherapy Structure Set für jeden Patienten überprüft. Der überweisende Radiologe bestätigt alle Bildgebungsänderungen nach RT. Ein Experte für Radioonkologie wird die Volumina von Anomalien nach der Behandlung im T1W nach Kontrastmittel, in der T2W/FLAIR-Bildgebung sowie bei Rezidiven und fehlenden OARs segmentieren.

3. Nachbearbeitung von Bilddaten und Analyse von Veränderungen nach Strahlentherapie Wir verarbeiten die DWI und PWI mit der Olea Sphere®3.0 Software, eine Nachbearbeitungslösung für MRT- und CT-Scanner. Wir werden Karten des scheinbaren Diffusionskoeffizienten aus DWI-Daten, die auf Voxel-für-Voxel-Basis berechnet wurden, und Karten des relativen zerebralen Blutvolumens, die aus PWI-Daten berechnet wurden, mit einer Oszillationsindex-Einzelwertzerlegungsroutine und Korrektur für T1-gewichtete Leckageeffekte extrahieren und generieren.

   Alle MRT-Daten werden strikt mit dem T1WI-PC und dem Planungs-CT koregistriert.

4. Radiomics-Harmonisierung Wir werden die Erhöhung des Harmonisierungsniveaus von Bildern und/oder extrahierten Merkmalen auf einem sehr heterogenen Datensatz aufgrund seiner zahlreichen Quellen durchführen.

   Wir werden ein GAN-basiertes Framework entwickeln, das heterogene Bilder übersetzt, um sie an die Eigenschaften eines Standarddatensatzes anzupassen, z. B. eines Vorlagenreferenzbilds oder alternativ eines als Referenz ausgewählten Bildsatzes. Wir müssen die relevanten Eigenschaften innerhalb von Bildern bestimmen (lokale oder globale Metriken, Textur, Kanten, Kontrast, Signal-Rausch-Verhältnis usw.) und die Fähigkeit des Frameworks sicherstellen, Bilder zu harmonisieren, ohne ihre klinisch relevanten Informationen und Inhalte zu verlieren .

   Im Merkmalsraum können zahlreiche statistische Ansätze angewendet werden, wie z. B. Normalisierung oder Batch-Effekt-Kompensation. Es hat sich gezeigt, dass ComBat andere ähnliche Ansätze übertrifft, und wir werden uns bei kleinen Stichproben auf die Monte-Carlo-Schätzung verlassen. Wir werden die Kombination der Batch-Korrekturmethoden mit unüberwachtem Clustering untersuchen, um mit Daten umzugehen, die eine sehr hohe Heterogenität und eine sehr kleine Anzahl von Proben pro Batch aufweisen.

   Es könnte vorteilhaft und ergänzend sein, bildbasierte und merkmalsbasierte Harmonisierungsmethoden zu kombinieren, um die Ergebnisse multizentrischer Radiomics-Studien zu verbessern. Wir werden den potenziellen Zusatznutzen beider zuvor entwickelter Ansätze zur Verbesserung der Ergebnisse evaluieren. Das Ziel dieser Aufgabe besteht darin, festzustellen, ob der erste oder der zweite Ansatz (oder die Kombination aus beiden) der effizienteste ist, wobei nicht nur die in den Ergebnissen beobachtete absolute Verbesserung, sondern auch die dafür erforderliche Rechenzeit und der erforderliche Aufwand berücksichtigt werden jeden Ansatz in die Praxis umsetzen.

5. Biomolekulare Analyse Biologische Ressourcen aus PEPPI- und SIOPII-Ependymom-Kohorten von Patienten werden einbezogen. Zunächst wird die Diagnose intrakranieller Ependymome gesichert und anschließend pathologische Merkmale abgeklärt.

   WHO-2020-Klassifizierung von Ependymomen: Das cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy – Not Official WHO) hat beschlossen, Ependymome nach Lokalisation und der zugrunde liegenden genetischen Veränderung zu klassifizieren. Die aktuelle WHO-Klassifikation wird derzeit überarbeitet.

   Biologische Studien, die zur Klassifizierung des intrakraniellen Ependymoms des Projekts erforderlich sind:

   Immunhistochemie: p65-RelA, H3K27Me3. FISH-Analyse (Klassifizierung und Kopienzahlvariationen). DNA-Methylierungsprofilierung. RNAseq-Analyse.

6. Deep Learning (DL) für molekulare Biomarker des Ependymoms Zu diesem Zweck hat das Zimmer-Team auf der Inception V3-Architektur basierende Deep Convolutional Neural Networks entwickelt und trainiert, um Ependymome von Gliomen der Grade III und IV zu unterscheiden. Vorläufige Ergebnisse basierend auf einem Bildgebungsdatensatz weisen auf eine hohe Diskriminationsgenauigkeit hin und legen die Möglichkeit nahe, klinisch relevante Mutationen allein aus H&E-Bildern vorherzusagen (Manuskript in Vorbereitung).

   Wir werden diese DL-Ansätze erweitern, um Therapieresistenz und Metastasierung vorherzusagen. Dies erfolgt durch alleinige Verwendung der histopathologischen Bilder entweder als Eingabe oder in Kombination mit Klassifikationen basierend auf molekularen Assays. Auf technischer Ebene werden wir hochmoderne tiefe neuronale Netzwerkarchitekturen verwenden, die auf Faltungsschichten und Skip-Verbindungen basieren. Um die moderate Größe des Trainingsdatensatzes auszugleichen, werden wir intensiven Gebrauch von Transfer Learning machen. Hier werden wir speziell die TGCA-Datenbank nutzen, die Bilder von sehr unterschiedlichen Krebsarten wie Brustkrebs enthält, und erfolgreiche Modelle anpassen, indem wir eine Teilmenge der in dieser Studie erfassten Ependymomdaten neu trainieren. Wir werden auch mehrskalige Bilddarstellungen für eine bessere Nutzung der Bildinformationen auf Zell- und Gewebeebene übernehmen, H&E-spezifische Farbnormalisierung und Methoden zur automatisierten Eliminierung von Regionen verwenden, die Bildartefakten ausgesetzt sind. Wir werden auch die entwickelten Methoden in Imjoy integrieren. Durch die Entkopplung der grafischen Benutzeroberfläche vom Rechen-Back-End können Benutzer von jeder Workstation oder jedem Laptop auf High-End-Computing-Funktionen zugreifen.

7. Statistische Analyse Mehrere Signaturen werden entwickelt und validiert: eine radiomische Signatur (RAD-Score), eine radiomische und klinische Signatur (RADClin-Score), eine molekulare Signatur (MOL-Score) und eine globale Signatur (Radiomic, Molecular and Clinical Signature) .

   • RAD-Score assoziiert mit progressionsfreiem Überleben (PFS). Um Verzerrungen zu vermeiden, ist NETSPARE, das aus einer retrospektiven multizentrischen Studie mit unabhängigen Kohorten erstellt wurde, eine Trainingskohorte. Die Validierungskohorte zum Testen der Leistung der Radiomic-Signatur entspricht der UK-Kohorte des SIOP II-Programms (n=220). Diese Aufteilung ermöglicht eine externe Validierung.

Trainingskohorte: Das mediane PFS wird in der Literatur auf 5 Jahre geschätzt. Dies entspricht einem 3,5-Jahres-PFS von 62 %. Bei 370 Patienten und einer medianen Nachbeobachtungszeit von 3,5 Jahren erwarten wir mindestens 120 Ereignisse. Gemäß der Faustregel, die 10 Ereignisse pro interessierender Variable empfiehlt, kann ein multiparametrisches Modell, das 10 Variablen kombiniert, trainiert werden. Eine alternative Modellierungsstrategie, die auf einem penalisierten Ansatz basiert, wird verwendet, um den Zusammenhang zwischen Bildgebungsparametern und PFS zu untersuchen. Da bildgebende Biomarkerdaten die Stichprobengröße bei weitem überschreiten und miteinander korreliert sind, werden benachteiligte Methoden (die zuvor in verschiedenen Situationen mit räumlichen Daten verwendet wurden) für die Regularisierung und Auswahl von Variablen verwendet, indem der Gruppierungseffekt gefördert und erklärende Variablen ausgewählt werden.

Validierungskohorte: Es werden 66 Ereignisse erwartet. Mit dieser Anzahl an Ereignissen lässt sich mit 80 % Power ein Hazard Ratio von 0,5 zwischen der Niedrig- und Hochrisikogruppe erkennen (Logrank-Test zweiseitig 0,05).

Demografische Daten: Kontinuierliche Variablen werden nach Kohorte zusammengefasst, wobei Median, Minimum, Maximum und die Anzahl verfügbarer Beobachtungen verwendet werden. Qualitative Variablen werden anhand von Häufigkeiten, Prozentsätzen und der Anzahl fehlender Daten zusammengefasst. Der Vergleich zwischen den Kohorten wird unter Verwendung des Chi-Quadrat-Tests (oder gegebenenfalls des exakten Fisher-Tests) für qualitative Variablen und des Mann-Whitney-Tests für quantitative Variablen durchgeführt.

- Entwicklung und Validierung von Radiomics-Signaturen: Um den Zusammenhang zwischen Bildgebungsmerkmalen und PFS zu untersuchen, verwenden wir eine alternative Modellierungsstrategie, die auf dem Penalized-Cox-Regressionsmodell basiert. Die Elastic Net-Methode fördert den Gruppierungseffekt und wählt erklärende Variablen aus. Wir werden eine 10-fache Kreuzvalidierung durchführen, um den besten Penalty-Parameter Lambda auszuwählen. Der Mischparameter α, ein weiterer Parameter der Elastic-Net-Methode, wird auf einen Standardwert von 0,5 gesetzt. Die Regressionskoeffizienten, die jedem Zustand der verschiedenen Variablen zugeordnet sind, werden verwendet, um den RAD-Score zu bestimmen. Da das Ergebnis zeitabhängig ist, wird der Risiko-Score anhand einer zeitabhängigen ROC-Kurve dichotomisiert, um einen Klassifikator zu erhalten (Risikogruppen: schlechte vs. mittlere vs. gute Prognose). Der optimale Schwellenwert wurde festgelegt, um nach 3 Jahren eine Sensitivität von mindestens 80 % und die beste Spezifität zu erreichen.

Eine Intervallvalidierung wird unter Verwendung einer Leave-k-out-Kreuzvalidierung durchgeführt. Wir werden dann die RAD-Score-Signatur auf die Validierungskohorte anwenden. Die Leistungen des Scores werden anhand verschiedener Kriterien bewertet: Monotonie der prognostischen Stratifizierung anhand von Kaplan-Meier-Überlebenskurven und Hazard Ratio (HR)-Schätzung, Diskriminierung anhand des Harrell's C-Index und der D-Statistik, Qualität des Modells und der Proportion der erklärten Streuung, geschätzt durch das Akaike-Informationskriterium (AIC) bzw. die RD²-Statistik. Die Fähigkeit des prognostischen Scores, Patienten mit hohem Rückfallrisiko während der ersten 3 Jahre zu identifizieren, wird durch Bestimmung der Sensitivität, Spezifität und des prädiktiven Werts unter Verwendung einer zeitabhängigen ROC-Kurve bewertet.

- RADClin-Score-Entwicklung und -Validierung: Um klinische und bildgebende Informationen zu integrieren, werden wir sowohl niederdimensionale klinische als auch hochdimensionale bildgebende Daten in einem globalen Vorhersagemodell kombinieren. Zunächst ignorieren wir die Bildgebungsfunktionen vollständig. Ein Cox-Modell wird angepasst, um klinische Kovariaten im Zusammenhang mit PFS zu identifizieren. Wir werden einen klinischen linearen Prädiktor unter Verwendung eines Regressionskoeffizienten erstellen. Als Nächstes verwenden wir Elastic Net mit dem klinischen linearen Prädiktor im Versatz, um Bildgebungsmerkmale zu identifizieren. Abschließend berechnen wir den RADClin-Score unter Verwendung eines Regressionskoeffizienten. Wir zeichnen ein Venn-Diagramm, um die Merkmalsauswahl mit dem RADClin-Score und dem RAD-Score zu vergleichen. Wir werden das Modell anhand der zuvor vorgestellten verschiedenen Kriterien vergleichen.