Inteligencia artificial en oncología radioterápica del SNC (AI-RAD)

En el estudio retrospectivo propuesto se incluirán pacientes tratados con Radioterapia (RT) para tumores del Sistema Nervioso Central (SNC). La base de datos de DMG que mantiene registros de pacientes registrados y tratados en neurooncología DMG (Disease Management Group) de TMC (Tata Memorial Center) será examinada para identificar a los pacientes elegibles para el estudio. Con aproximadamente 500-600 pacientes con tumores del SNC tratados con RT en TMC cada año, esperamos un límite de 6000 pacientes durante 2010-2022, que será el número máximo de pacientes utilizados para el análisis. Las imágenes (CT, MRI, PET) utilizadas para la planificación de la RT, imágenes de mitad del tratamiento como parte de IGRT (radioterapia guiada por imágenes) o evaluación de la enfermedad, y Se analizarán la evaluación/vigilancia de la respuesta después de la RT. Los planes de radiación y el histograma dosis-volumen se obtendrán del TPS (Sistema de Planificación de Tratamiento). Todas las imágenes y datos relacionados con la radiación se descargarán del PACS (Picture Archiving and Communication System) y del TPS, aplicando filtros de anonimización. Las características clínicas (paciente, enfermedad, características relacionadas con el tratamiento y resultados) se extraerán mediante revisión de registros médicos electrónicos. 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. Los volúmenes objetivo, es decir, el volumen tumoral bruto (GTV), el volumen objetivo clínico (CTV) y el volumen objetivo de planificación (PTV), y los OAR, serán revisados ​​individualmente por los oncólogos radioterapeutas y se aplicarán las modificaciones apropiadas (p. ej., exclusión de OAR (órganos). en riesgo) distorsionado por enfermedad o cirugía) y se utilizará para entrenar los modelos de aprendizaje automático para el aprendizaje supervisado. 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 autosegmentación, 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. Dado que los OAR son aplicables de manera uniforme para diferentes histologías o sitios tumorales, se aplicará entrenamiento en autosegmentación a todo el conjunto de datos. Sin embargo, dado que existen variaciones en las delineaciones del volumen objetivo (p. ej., para tumores circunscritos frente a tumores difusos, de bajo grado frente a alto grado), la capacitación/pruebas para TV se aplicarán a entidades patológicas individuales. 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 la predicción de resultados (p. ej., supervivencia y toxicidades), el siguiente paso incluirá la extracción de características de las imágenes (CT, MRI, PET) correspondientes a diferentes TV y OAR y datos de distribución de dosis de RT convertidos en datos volumétricos de imágenes/números (dosiómica), que Consistirá en técnicas 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, random forest, AdaBoost, etc., se aplicarán de forma singular o en combinación como un clasificador conjunto para encontrar el modelo con el 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). Como objetivo terciario del proyecto, desarrollaremos un protocolo para el almacenamiento anónimo de datos (información clínica, planificación de radiación y imágenes de evaluación de respuesta, datos de planificación de radiación, imágenes intratratamiento como tomografía computarizada de haz cónico) en un biobanco de imágenes seguro con archivos protegidos. espacio en la nube. Además, se desarrollarán algoritmos de procesamiento del lenguaje natural (NLP) para entrenar y validar el modelo para la extracción y documentación de las variables clínicas extraídas para el estudio. Con avances continuos en la ciencia computacional, los colaboradores del Centro de Investigación Atómica Bhabha, Mumbai, aplicarán según corresponda las nuevas técnicas y plataformas analíticas disponibles, compartiendo datos anónimos.