Caracterización espacial y temporal de gliomas mediante análisis radiómico (GLIO-RAD)

En el estudio retrospectivo propuesto, se analizarán imágenes (MRI, CT o PET) realizadas como parte del estándar de atención (pretratamiento, posoperatorio, evaluación de respuesta y vigilancia). La base de datos de DMG que mantiene registros de pacientes registrados en TMC neurooncología DMG será examinada para identificar a los pacientes elegibles para el estudio. Con aproximadamente 500 a 600 gliomas observados anualmente y aproximadamente 80 a 100 pacientes/año con imágenes previas al tratamiento, esperamos un límite de 1000 pacientes durante 2010-2022, que será el número máximo de pacientes utilizados para el análisis. Todas las imágenes se descargarán del PACS aplicando filtros de anonimización, con historias clínicas extraídas mediante revisión de historias clínicas electrónicas y planes de radiación. Se realizará un preprocesamiento de imágenes, que incluirá la extracción y el registro del cráneo en diferentes modalidades (p. ej., MRI y CT) o se realizarán diferentes secuencias (p. ej., T1C, T2W, ADC) utilizando algoritmos rígidos o deformables según sea mejor para el modalidad. La segmentación de imágenes para clasificar la región de interés se realizará y verificará individualmente por un neurorradiólogo o médico de medicina nuclear, según corresponda. Las segmentaciones se realizarán para identificar la región que mejora el contraste (CE) de T1, las regiones que no mejoran (NE) y la necrosis (NEC) guiadas por áreas T1-C, T2W y T2-FLAIR. Los contornos y las imágenes se volverán a muestrear a una resolución uniforme para diferentes secuencias o modalidades (p. ej., T2W/ADC/PET) para que coincidan con la secuencia 3D (p. ej., secuencia FSPGR) o con las imágenes disponibles con el menor grosor de corte. Posteriormente, se llevarán a cabo técnicas de normalización (p. ej., normalización de histograma/normalización de puntuación Z) dentro de las imágenes individuales y en todo el conjunto de datos para tener en cuenta la heterogeneidad de la imagen, incluida la intensidad del campo para la resonancia magnética y los diferentes parámetros de adquisición de imágenes. Para la segmentación automática, se aplicarán algoritmos de aprendizaje automático supervisados ​​y no supervisados. Para el modelo supervisado, toda la base de datos se dividirá en cohortes de capacitación y prueba para el modelo y el desarrollo de la aplicación, respectivamente. La eficacia del modelo automatizado se probará utilizando el coeficiente de similitud de dados entre regiones de segmentación manual y segmentos basados ​​en IA. Para el pronóstico de gliomas, el siguiente paso incluirá la extracción de características, que consistirá en características de primer orden (incluida la forma, histograma), de segundo orden o de orden superior (por ejemplo, diferentes características de textura como GLCM, GLDM, GLSZM, etc.) , o se emplearán técnicas de aprendizaje profundo. La delta-radiómica incluirá cambios temporales en las características radiómicas desde diferentes puntos de tiempo para el mismo paciente dentro de todo el volumen y regiones individuales. Posteriormente, se utilizarán técnicas de selección y reducción de características como LASSO, eliminación recursiva de características para preseleccionar el número de características según el tamaño de la muestra. Los resultados se decidirán en función del modelado definido para problemas de clase específicos (p. ej., tumor frente a edema, recurrencia frente a pseudoprogresión, resultados, región de interés del tumor frente a área no tumoral) según se obtenga de la información clínica. Cualquier desequilibrio de clases se abordará utilizando métodos como el muestreo aleatorio de subconjuntos o el análisis SMOTE para aumentar los datos de la clase minoritaria. Los algoritmos de aprendizaje automático como LDA, k-NN, SVM, bosque aleatorio, AdaBoost, etc., se aplicarán de forma singular o en combinación como un clasificador conjunto para encontrar el modelo con mejor rendimiento. Se utilizarán clasificadores de aprendizaje profundo junto con modelado basado en características y se compararán para probar la aplicabilidad del clasificador. Se utilizarán técnicas de validación como la validación de dejar uno fuera, la validación de k veces y la división (en cohortes de entrenamiento y prueba) para evaluar la estabilidad del modelo de aprendizaje automático. El análisis radiómico será realizado por científicos de datos/investigadores de estudios con experiencia en análisis de datos. Todas las segmentaciones se realizarán en software de código abierto como ITK snap (itksnap.org) o 3D Slicer (slicer.org). La extracción y el modelado de características se realizarán utilizando software de código abierto como Python (python.org). Con avances continuos en la ciencia computacional, los colaboradores de la Unidad de Inteligencia de Máquinas del Instituto de Estadística de la India, Kolkata, aplicarán según corresponda las nuevas técnicas y plataformas analíticas disponibles compartiendo los datos anonimizados.