Künstliche intelligenzbasierte Radiogenomik bei Dickdarmtumoren (ATTRACT)

Die ATTRACT-Studie besteht aus einem retrospektiven und einem prospektiven Teil. Im retrospektiven Teil der Studie werden radiologische, pathologische und genomische Daten von 300 Patienten mit Dickdarmkrebs im Stadium II-III verwendet, um die genetischen und radiomischen Merkmale von Dickdarmtumoren und die klinischen Endpunkte als Ergebnisse des Vorhersagemodells zu identifizieren.

Tumore werden manuell auf CT-Bildern segmentiert und für die KI-Modellgenerierung (künstliche Intelligenz) verwendet. Pathologische Anmerkungen werden den entsprechenden anonymisierten Profilen zugeordnet. Mithilfe der Immunhistochemie werden die Proben entsprechend in die vier molekularen Subtypen klassifiziert. RNA-seq-Profile werden auch aus Gewebeproben durch gezielte Transkriptomik unter Verwendung benutzerdefinierter NGS-Panels (Next-Generation Sequencing) erstellt, die speziell zur Bewertung der Genexpression und zur Beurteilung der Tumormutationslast entwickelt wurden (TMB). Rohdaten werden mithilfe der Topological Pathway Analysis verarbeitet und modelliert, um Patienten nach den relevanten molekularen Merkmalen zu stratifizieren und molekulare Anmerkungen zu definieren, die zum Trainieren des Modells für die Identifizierung spezifischer klinisch relevanter Gruppen verwendet werden. Rohdaten werden zusammen mit radiologischen Daten verwendet, um die KI-Modelle für die automatisierte Segmentierung und Extraktion der radiogenomischen Signatur zu generieren und zu trainieren.

Radiomics-Merkmale werden aus manuell segmentierten Tumoren extrahiert. Es werden sowohl Standard-PyRadiomics-Tools als auch maßgeschneiderte Tools verwendet. Die Robustheit der Merkmale wird gewährleistet, indem nur diejenigen ausgewählt werden, die eine hohe statistische Korrelation zwischen Beobachtern aufweisen. Es werden zwei Familien von KI-Modellen generiert, eine Familie für die Segmentierung und die andere für die auf Radiogenomik basierende Phänotypisierung entsprechend den verfügbaren klinischen, molekularbiologischen und pathologischen Daten. Für die Erstellung des ATTRACT AI-Modells werden die beiden Familien zusammengeführt. Für die Generierung dieser Modelle werden spezifische Convolutional Neural Network (CNN)-Architekturen verwendet, die auf Deep Learning (DL) und künstlicher Intelligenz wie UNet und MaskNet basieren. Das Training wird unter Verwendung der manuellen ROI-Segmentierung (Region of Interest) als Grundwahrheit durchgeführt. Zur Generierung radiogenomischer Analysemodelle werden Radiomics und genomische Merkmale mithilfe verschiedener multivariater Algorithmen kombiniert. Der Klassifikator wird darauf trainiert, die Krebssubtypen und klinischen Endpunkte zu erkennen.

Im prospektiven Teil der Studie werden Patienten mit Dickdarmkrebs im Stadium II-III rekrutiert und einer präoperativen kontrastmittelverstärkten CT-Untersuchung unterzogen. Die Rekrutierungsrate beträgt 70 Patienten pro Jahr, also insgesamt 210 Patienten. Nach der präoperativen CT wird die Operation gemäß internationalen Standardprotokollen durchgeführt. Eventuell wird eine adjuvante Therapie gemäß den aktuellen Leitlinien in Betracht gezogen. Die pathologische Probe der potenziellen Einschreibung wird analysiert. Zunächst werden Patienten mit RNA-seq-Daten, TMB (von kodierenden Genen) und klinischen Daten geclustert, indem zwei verschiedene Techniken verwendet werden: Markov-Cluster-Algorithmus (MCL) und t-SNE (t-verteilte stochastische Nachbareinbettung), Multi- Layer-Netzwerk-Clustering. Patienten werden als Knoten eines Netzwerks dargestellt, Kanten zwischen Knoten werden entsprechend der Jaccard-Ähnlichkeit gewichtet und mit Schwellenwerten versehen. Die Ähnlichkeit wird auf der Grundlage von Genexpressions-, TMB- und Störungsinformationen aus der topologischen Signalweganalyse berechnet. Die Ergebnisse der Clusterbildung werden mit denen aus der Immunhistochemie abgeglichen. Klinische Follow-up-Daten (d. h. Ergebnisse der Therapie usw.) werden, sobald sie verfügbar sind, ebenfalls in den Arbeitsablauf eingebunden, um das Lernen zu erzwingen. Das extrahierte Wissen wird verwendet, um den Datensatz zu kommentieren, der zum Trainieren und Validieren der Radiomics-Klassifizierung verwendet wird. Die Gesamtprobe wird analysiert, um verschiedene molekulare Transkriptomik-Subtypen (CMS1, CMS2, CMS3, CMS4) gemäß dem Colorectal Cancer (CRC) Subtyping Consortium (CRCSC) zu extrahieren und das Vorhandensein oder Fehlen von Kern-Subtyp-Mustern bei der vorhandenen Genexpression zu bewerten. basierte CRC-Subtypisierungsalgorithmen. Die Übereinstimmung zwischen pathologischem molekularem Profil und ctDNA-Analyse während des Protokolls wird mit der Radiomics-Klassifizierung in Zusammenhang gebracht, um ein neues ganzheitliches diagnostisches Ansatzmodell für die CRC-Behandlung und -Überwachung bereitzustellen.

Prospektive Daten werden zur Validierung der KI-Modelle verwendet. Für die Segmentierungsmodelle wird der Würfelkoeffizient als Indikator verwendet, um den Grad der Überlappung zwischen der automatisierten und der Expertensegmentierung zu messen. Für das Radiogenomikmodell werden die Leistungen anhand der Genauigkeit, des Integrals unter der Receiver-Operator-Kurve (ROC-AUC) und der klinischen Entscheidungskurve bewertet. Um die besten KI-Modelle auszuwählen, werden die Forscher auch die Reaktion auf die Variation der Eingabemerkmale berücksichtigen und Ausprägungskarten erstellen, in denen die Merkmale des Eingabebildes hervorgehoben werden, die am meisten zur Klassifizierung beigetragen haben.

Die klinische Bewertung wird 2 Jahre lang alle 6 Monate durchgeführt, einschließlich regelmäßiger Serum-CEA-Tests (karzinoembryonales Antigen) und Ganzkörper-CT alle 6–12 Monate bei Patienten, bei denen in den ersten 3 Jahren nach ESMO ein höheres Risiko für ein erneutes Auftreten besteht (European). Richtlinien der Society for Medical Oncology. Das krankheitsfreie Überleben (DFS) und das rezidivfreie Überleben (RFS) werden berechnet.