Enfoque multiómico de la radiorresistencia de los ependimomas en niños y adolescentes (EPENDYMOMICS)

La resistencia al tratamiento nos impulsó a realizar el estudio nacional PEPPI (Pediatric Ependymoma Photons Protons and Imaging). PEPPI recopiló datos clínicos, de imágenes y dosimétricos de niños con ependimoma intracraneal tratados en Francia entre 2000 y 2013. Desde entonces, los pacientes son tratados en el actual programa prospectivo SIOP II Ependimoma. Nuestros resultados clínicos confirmaron los factores pronósticos clínicos clásicos, incluida la dosis de radioterapia, y demostramos que los biomarcadores de imágenes de T2/FLAIR, la resonancia magnética de perfusión y difusión eran factores pronósticos novedosos. Informamos que la recaída después de la RT ocurre principalmente localmente dentro de la región de dosis alta. El valor pronóstico de la dosis y la alta tasa de recaídas con la dosis estándar nos llevaron a realizar un estudio de dosimetría in silico de escalada de dosis comparando fotones y protones, lo que confirma la viabilidad de este enfoque. En la serie PEPPI, la predicción del sitio de recaída con imágenes de RM avanzada no fue posible debido a la pequeña muestra de datos de imágenes y la clasificación biomolecular reciente no estaba disponible. Recientemente, el perfil de metilación del ADN proporcionó una clasificación novedosa de ependimoma en subgrupos moleculares que albergan un fuerte valor pronóstico.

El proyecto EPENDYMOMICS tiene como objetivo determinar el papel pronóstico de las imágenes multimodales, identificar grupos radiorresistentes predictivos de recaída y analizar el vínculo entre las características radiómicas y los marcadores genómicos, lo que conducirá a un estudio radiogenómico. Se basará en una base de datos con un mayor número de pacientes llamada NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) para desarrollar un enfoque radiómico, es decir, predecir criterios de valoración clínicos basándose en características cuantitativas extraídas de imágenes médicas utilizando o algoritmos de extracción de características automatizados. Estas características se explotarán y combinarán con otras variables disponibles (clínicas, genéticas, etc.) como apoyo mejorado para la toma de decisiones.

1. Recogida de datos RM: Diagnóstica, FU hasta recidiva (formato DICOM)

   - Secuencias: T1W, T2W, FLAIR, T1W con y sin realce de contraste, imágenes ponderadas por difusión (DWI), imágenes ponderadas por perfusión (PWI) Radioterapia: tomografía computarizada, RTDOSE, RTSS, RTPLAN (formato DICOM RT) Clínica: Edad, cirugía, quimioterapia, dosis, efectos tardíos, fecha de recaída Histología: portaobjetos de histopatología teñidos con hematoxilina y eosina (H&E) Biología molecular: grupos de metilación RELA, YAP, PFA y PFB

2. Comprobación de la calidad de los datos y delimitación del volumen de interés para seleccionar los datos antes del posprocesamiento y el análisis.

   Para garantizar una sólida segmentación preliminar de la imagen, se comprobará el conjunto de estructuras de radioterapia para cada paciente. El radiólogo remitente confirmará todos los cambios en las imágenes después de la RT. Un oncólogo experto en radiación segmentará los volúmenes de anomalías posteriores al tratamiento en imágenes T1WI posteriores al contraste, en imágenes T2W/FLAIR, así como el sitio de la recaída y los OAR faltantes.

3. Posprocesamiento de datos de imagen y análisis de cambios después de radioterapia Procesaremos el DWI y PWI con Olea Sphere®3.0 software, una solución de posprocesamiento para escáneres de resonancia magnética y tomografía computarizada. Extraeremos y generaremos mapas de coeficiente de difusión aparente a partir de datos de DWI calculados sobre una base de vóxel por vóxel y mapas de volumen sanguíneo cerebral relativo calculados a partir de datos de PWI con una rutina de descomposición de valor singular de índice de oscilación y corrección para efectos de fuga ponderados en T1.

   Todos los datos de la RM se registrarán estrictamente con el T1WI-PC y la TC de planificación.

4. Armonización radiómica Realizaremos el aumento del nivel de armonización de imágenes y/o características extraídas sobre conjuntos de datos altamente heterogéneos debido a sus múltiples fuentes.

   Desarrollaremos un marco basado en GAN, traduciendo imágenes heterogéneas para que coincidan con las propiedades de un conjunto de datos estándar, como una imagen de referencia de plantilla o, alternativamente, un conjunto de imágenes elegidas como referencia. Necesitamos determinar las propiedades relevantes dentro de las imágenes (métricas locales o globales, textura, bordes, contraste, relación señal-ruido, etc.) y garantizar la capacidad del marco para armonizar las imágenes sin perder su información y contenido clínicamente relevantes. .

   En el espacio de características, se pueden aplicar numerosos enfoques estadísticos, como la normalización o la compensación del efecto por lotes. Se ha demostrado que ComBat supera a otros enfoques similares y confiaremos en la estimación de Monte Carlo para muestras pequeñas. Investigaremos la combinación de los métodos de corrección por lotes con el agrupamiento no supervisado para manejar datos que presenten una heterogeneidad muy alta y un número muy pequeño de muestras por lote.

   Podría ser beneficioso y complementario combinar metodologías de armonización basadas en imágenes y características para mejorar los resultados de los estudios radiómicos multicéntricos. Evaluaremos el beneficio adicional potencial de ambos enfoques desarrollados previamente para mejorar los resultados. El objetivo de esta tarea será establecer si el primer o el segundo enfoque (o la combinación de ambos) es el más eficiente, teniendo en cuenta no solo la mejora absoluta observada en los resultados, sino también el tiempo y esfuerzo de cómputo requerido para implementar cada enfoque en la práctica.

5. Análisis biomolecular Se incluirán recursos biológicos de cohortes de pacientes con ependimoma PEPPI y SIOPII. Primero, se confirmará el diagnóstico de ependimomas intracraneales y luego se investigarán las características patológicas.

   Clasificación de ependimomas de la OMS en 2020: el cIMPACT-NOW (Consorcio para informar enfoques moleculares y prácticos de la taxonomía de tumores del SNC, no oficial de la OMS) decidió clasificar los ependimomas según la ubicación y la alteración genética subyacente. La clasificación actual de la OMS está bajo revisión.

   Estudios biológicos necesarios para clasificar el ependimoma intracraneal del proyecto:

   Inmunohistoquímica: p65-RelA, H3K27Me3. Análisis FISH (clasificación y variaciones del número de copias). Perfilado de metilación del ADN. Análisis de ARNseq.

6. Aprendizaje profundo (DL) para biomarcadores moleculares de ependimoma Para este propósito, el equipo de Zimmer ha diseñado y entrenado redes neuronales convolucionales profundas basadas en la arquitectura Inception V3 para distinguir el ependimoma de los grados III y IV del glioma. Los resultados preliminares basados ​​en un conjunto de datos de imágenes indican una alta precisión de discriminación y sugieren la posibilidad de predecir mutaciones clínicamente relevantes solo a partir de imágenes de H&E (manuscrito en preparación).

   Ampliaremos estos enfoques de DL para predecir la resistencia a la terapia y la metástasis. Esto se hará usando las imágenes de histopatología solas como entrada o en combinación con clasificaciones basadas en ensayos moleculares. A nivel técnico utilizaremos arquitecturas de redes neuronales profundas de última generación basadas en capas convolucionales y conexiones skip. Para compensar el tamaño moderado del conjunto de datos de entrenamiento, haremos un uso intensivo del aprendizaje por transferencia. Aquí, haremos un uso específico de la base de datos TGCA, que contiene imágenes de cánceres muy diferentes, como el cáncer de mama, y ​​adaptaremos modelos exitosos al volver a entrenar en un subconjunto de los datos de ependimoma adquiridos en este estudio. También adoptaremos representaciones de imágenes multiescala para una mejor explotación de la información de la imagen a nivel celular y tisular, usaremos métodos y normalización de color específicos de H&E para la eliminación automatizada de regiones sujetas a artefactos de imagen. También incorporaremos los métodos desarrollados en Imjoy. Al desacoplar la interfaz gráfica de usuario del back-end computacional, permite a los usuarios acceder a capacidades informáticas de alto nivel desde cualquier estación de trabajo o computadora portátil.

7. Análisis estadístico Se desarrollarán y validarán varias firmas: una firma radiómica (RAD-Score), una firma radiómica y clínica (RADClin-Score), una firma molecular (MOL-score) y una firma global (firma radiómica, molecular y clínica) .

   • RAD-Score asociado con supervivencia libre de progresión (PFS). Para evitar sesgos, NETSPARE, creado a partir de un estudio multicéntrico retrospectivo que incluye cohortes independientes, es una cohorte de capacitación. La cohorte de validación para probar el rendimiento de la firma radiómica corresponde a la cohorte del Programa SIOP II del Reino Unido (n=220). Esta división permite la validación externa.

Cohorte de entrenamiento: la mediana de SLP se estima en 5 años en la literatura. Esto corresponde a una SLP de 3,5 años del 62 %. Con 370 pacientes y una mediana de seguimiento de 3,5 años, esperamos al menos 120 eventos. De acuerdo con la regla general que recomienda 10 eventos por variable de interés, se puede entrenar un modelo multiparamétrico que combine 10 variables. Se utilizará una estrategia de modelado alternativa basada en un enfoque penalizado para estudiar la asociación entre los parámetros de imagen y la SLP. Como los datos de biomarcadores de imagen superan con creces el tamaño de la muestra y están intercorrelacionados, se utilizarán métodos penalizados (anteriormente utilizados en diferentes situaciones con datos espaciales) para la regularización y selección de variables, fomentando el efecto de agrupación y seleccionando variables explicativas.

Cohorte de validación: se esperan 66 eventos. Con este número de eventos, es posible detectar con una potencia del 80% una razón de riesgo de 0,5 entre el grupo de bajo y alto riesgo (prueba de Logrank bilateral 0,05).

Datos demográficos: Las variables continuas se resumirán por cohorte utilizando la mediana, el mínimo, el máximo y el número de observaciones disponibles. Las variables cualitativas se resumirán utilizando recuentos, porcentajes y número de datos faltantes. La comparación entre cohortes se realizará mediante la prueba de chi-cuadrado (o prueba exacta de Fisher si corresponde) para variables cualitativas y la prueba de Mann-Whitney para variables cuantitativas.

- Desarrollo y validación de firmas radiómicas: para estudiar la asociación entre las características de imagen y la PFS, utilizaremos una estrategia de modelado alternativa basada en el modelo de regresión de Cox penalizado. El método Elastic Net fomenta el efecto de agrupación y selecciona variables explicativas. Realizaremos una validación cruzada de 10 veces para seleccionar el mejor parámetro de penalización lambda. El parámetro de mezcla α, otro parámetro del método de red elástica, se establecerá en un valor predeterminado de 0,5. Los coeficientes de regresión asociados a cada estado de las distintas variables se utilizarán para determinar la puntuación RAD. Como el resultado es dependiente del tiempo, la puntuación de riesgo se dicotomizará mediante una curva ROC dependiente del tiempo para obtener un clasificador (grupos de riesgo: mal pronóstico vs intermedio vs buen pronóstico). Se ha determinado el umbral óptimo para obtener a los 3 años una sensibilidad de al menos el 80% y la mejor especificidad.

Se realizará una validación de intervalo utilizando una validación cruzada de abandono k-out. Luego aplicaremos la firma de puntaje RAD a la cohorte de validación. Los rendimientos de la puntuación se evaluarán utilizando diferentes criterios: monotonicidad de la estratificación pronóstica evaluada mediante curvas de supervivencia de Kaplan-Meier y estimación de Hazard Ratio (HR), discriminación evaluada por el índice C de Harrell y las estadísticas D, calidad del modelo y la proporción de variación explicada estimada por el Criterio de Información de Akaike (AIC) y el estadístico RD², respectivamente. La capacidad de la puntuación pronóstica para identificar pacientes con alto riesgo de recaída durante los primeros 3 años se evaluará determinando la sensibilidad, la especificidad y el valor predictivo mediante una curva ROC dependiente del tiempo.

- Desarrollo y validación de RADClin-Score: para incorporar información clínica y de imagen, combinaremos datos clínicos de baja dimensión y de imagen de alta dimensión en un modelo de predicción global. Primero, ignoraremos por completo las funciones de imagen. Se ajustará un modelo de Cox para identificar las covariables clínicas asociadas con la SLP. Construiremos un predictor lineal clínico utilizando un coeficiente de regresión. A continuación, usaremos Elastic Net con el predictor lineal clínico en compensación para identificar las características de las imágenes. Finalmente, calcularemos el RADClin-Score usando un coeficiente de regresión. Trazaremos un diagrama de Venn para comparar la selección de funciones con RADClin-Score y RAD-Score. Compararemos el modelo utilizando los diferentes criterios presentados anteriormente.