Künstliche Intelligenz in der ZNS-Radioonkologie (AI-RAD)

In die vorgeschlagene retrospektive Studie werden Patienten einbezogen, die mit Strahlentherapie (RT) bei Tumoren des Zentralnervensystems (ZNS) behandelt werden. Die DMG-Datenbank, in der Aufzeichnungen über Patienten geführt werden, die in der DMG (Disease Management Group) des TMC (Tata Memorial Centre) für Neuroonkologie registriert und behandelt wurden, wird durchsucht, um die Patienten zu identifizieren, die für die Studie in Frage kommen. Bei etwa 500–600 Patienten mit ZNS-Tumoren, die jedes Jahr bei TMC mit RT behandelt werden, erwarten wir im Zeitraum 2010–2022 eine Obergrenze von 6.000 Patienten, was der maximalen Anzahl von Patienten entspricht, die für die Analyse herangezogen werden. Die Bilder (CT, MRT, PET), die für die RT-Planung, die Bildgebung während der Behandlung im Rahmen der IGRT (bildgesteuerte Strahlentherapie) oder der Krankheitsbewertung sowie die Beurteilung/Überwachung des Ansprechens nach der RT verwendet werden, werden analysiert. Die Bestrahlungspläne und das Dosis-Volumen-Histogramm werden vom TPS (Treatment Planning System) bezogen. Alle Bilder und strahlungsbezogenen Daten werden unter Anwendung von Anonymisierungsfiltern vom PACS (Picture Archiving and Communication System) und TPS heruntergeladen. Klinische Merkmale (Patient, Krankheit, behandlungsbezogene Merkmale und Ergebnisse) werden durch Überprüfung elektronischer Krankenakten extrahiert. 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 Zielvolumina, d. h. Bruttotumorvolumen (GTV), klinisches Zielvolumen (CTV) und Planungszielvolumen (PTV), und OARs werden von Radioonkologen einzeln überprüft und gegebenenfalls mit Änderungen versehen (z. B. Ausschluss von OARs (Organe). (gefährdet) durch Krankheit oder Operation verzerrt) und werden zum Trainieren der maschinellen Lernmodelle für überwachtes Lernen verwendet. 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 Autosegmentierung 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. Da die OARs einheitlich für verschiedene Histologie- oder Tumorlokalisationen anwendbar sind, wird das Autosegmentierungstraining auf den gesamten Datensatz angewendet. Da es jedoch Abweichungen bei den Zielvolumenabgrenzungen gibt (z. B. für umschriebene vs. diffuse Tumoren, niedriggradige vs. hochgradige Tumoren), ist das Training/Testen für TVs auf einzelne Krankheitsentitäten anwendbar. Die Wirksamkeit des automatisierten Modells wird anhand des Würfelähnlichkeitskoeffizienten zwischen manuell segmentierten Regionen und KI-basierten Segmenten getestet. Zur Ergebnisvorhersage (z. B. Überleben und Toxizitäten) umfasst der nächste Schritt die Merkmalsextraktion aus Bildern (CT, MRT, PET), die verschiedenen TV- und OARs entsprechen, und RT-Dosisverteilungsdaten, die in volumetrische Bild-/Zahlendaten (Dosiomics) umgewandelt werden wird aus erster Ordnung (einschließlich Form, Histogramm), zweiter oder höherer Ordnung (z. B. verschiedenen Texturmerkmalen wie GLCM, GLDM, GLSZM usw.) bestehen, oder es werden Deep-Learning-Techniken 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). Als tertiäres Ziel des Projekts werden wir ein Protokoll für die anonymisierte Datenspeicherung (klinische Informationen, Bilder zur Bestrahlungsplanung und Reaktionsbewertung, Bestrahlungsplanungsdaten, Bilder während der Behandlung wie Kegelstrahl-Computertomographie) in einem gesicherten Bild-Biobank-Repository mit geschütztem Schutz entwickeln Wolkenraum. Außerdem werden Algorithmen zur Verarbeitung natürlicher Sprache (NLP) entwickelt, um Modelle für die Extraktion und Dokumentation der für die Studie extrahierten klinischen Variablen zu trainieren und zu validieren. Angesichts der kontinuierlichen Fortschritte in der Computerwissenschaft werden verfügbare neuere Analysetechniken und Plattformen von Mitarbeitern des Bhabha Atomic Research Centre, Mumbai, entsprechend angewendet, indem anonymisierte Daten ausgetauscht werden.