RAdiogenómica basada en inteligencia artificial en tumores de colon (ATTRACT)

El ensayo ATTRACT consta de una parte retrospectiva y otra prospectiva. En la parte retrospectiva del ensayo, se utilizarán datos de radiología, patología y genómica de 300 pacientes con cáncer de colon en estadio II-III para identificar las características genéticas y radiómicas de los tumores de colon y los criterios de valoración clínicos como resultados del modelo predictivo.

Los tumores se segmentarán manualmente en imágenes de TC y se utilizarán para la generación de modelos de IA (inteligencia artificial). Las anotaciones patológicas se asociarán a los correspondientes perfiles anonimizados. La inmunohistoquímica se utilizará para clasificar las muestras en los 4 subtipos moleculares según. También se generarán perfiles de secuenciación de ARN a partir de muestras de tejido a través de transcriptómica dirigida utilizando paneles NGS (secuenciación de próxima generación) personalizados diseñados específicamente para evaluar la expresión genética y evaluar la carga mutacional del tumor. (TMB). Los datos sin procesar se procesarán y modelarán mediante el análisis de vías topológicas para estratificar a los pacientes según las características moleculares relevantes y definir anotaciones moleculares que se utilizarán para entrenar el modelo para la identificación de grupos clínicamente relevantes específicos. Se utilizarán datos sin procesar junto con datos radiológicos para generar y entrenar modelos de IA para la segmentación automatizada y la extracción de la firma radiogenómica.

Las características radiómicas se extraerán de tumores segmentados manualmente. Se utilizarán herramientas estándar de PyRadiomics y herramientas personalizadas. La solidez de las características se garantizará seleccionando solo aquellas con una alta correlación estadística entre observadores. Se generarán dos familias de modelos de IA, una familia dedicada a la segmentación y otra dedicada al fenotipado basado en radiogenómica según los datos clínicos, de biología molecular y patológicos disponibles. Las dos familias se fusionarán para la creación del modelo ATTRACT AI. Para la generación de estos modelos se aplicarán arquitecturas específicas de redes neuronales convolucionales (CNN) basadas en aprendizaje profundo (DL) e Inteligencia Artificial como UNet y MaskNet. La capacitación se realizará utilizando las segmentaciones manuales de ROI (región de interés) como verdad sobre el terreno. Para la generación de modelos de análisis radiogenómicos, se combinarán características radiómicas y genómicas utilizando diferentes algoritmos multivariados. El clasificador estará capacitado para reconocer los subtipos de cáncer y los criterios de valoración clínicos.

En la parte prospectiva del ensayo, se reclutarán pacientes con cáncer de colon en estadio II-III y se les realizará un examen de TC preoperatorio con contraste. La tasa de reclutamiento será de 70 pacientes por año, para un total de 210 pacientes. Después de la TC preoperatoria, la cirugía se realizará según protocolos estándar internacionales. Eventualmente se considerará la terapia adyuvante siguiendo las pautas actuales. Se analizará la muestra patológica de la posible inscripción. Primero, con datos de RNA-seq, TMB (de genes codificantes) y datos clínicos, los pacientes se agruparán mediante el uso de dos técnicas diferentes, el algoritmo de Markov Cluster (MCL) y t-SNE (incrustación de vecinos estocásticos distribuidos en t), Multi- Agrupación de redes de capas. Los pacientes se representarán como nodos de una red, los bordes entre los nodos se ponderarán y establecerán umbrales de acuerdo con la similitud de Jaccard. La similitud se calculará sobre la expresión genética, TMB y la información de perturbación procedente del análisis de vías topológicas. Los resultados de la agrupación se compararán con los procedentes de inmunohistoquímica. Datos de seguimiento clínico (es decir, resultado de la terapia, etc.) se conectarán, una vez disponibles, al flujo de trabajo para reforzar el aprendizaje. El conocimiento extraído se utilizará para anotar el conjunto de datos utilizado para entrenar y validar la clasificación radiómica. La muestra bruta se analizará para extraer diferentes subtipos moleculares transcriptómicos (CMS1, CMS2, CMS3, CMS4) de acuerdo con el Consorcio de subtipificación del cáncer colorrectal (CRC) (CRCSC) que evalúa la presencia o ausencia de patrones de subtipos centrales entre la expresión génica existente. algoritmos de subtipificación de CRC basados ​​en. La conformidad entre el perfil molecular patológico y el análisis de ctDNA durante el protocolo se relacionará con la clasificación radiómica para proporcionar un nuevo modelo de enfoque de diagnóstico completo en el tratamiento y la vigilancia del CCR.

Se utilizarán datos prospectivos para validar los modelos de IA. Para los modelos de segmentación, el coeficiente de dados se utilizará como indicador para medir el grado de superposición entre la segmentación automatizada y la experta. Para el modelo de radiogenómica, el desempeño se evaluará utilizando precisión, integral bajo la curva del operador receptor (ROC-AUC) y curva de decisión clínica. Los investigadores también tendrán en cuenta, para seleccionar los mejores modelos de IA, la respuesta a la variación de las características de entrada y producirán mapas de prominencia donde se resaltan las características de la imagen de entrada que más contribuyeron a la clasificación.

La evaluación clínica se realizará cada 6 meses durante 2 años, incluidas pruebas periódicas de CEA (antígeno carcinoembrionario) en suero y TC de cuerpo entero cada 6 a 12 meses en pacientes que tienen un mayor riesgo de recurrencia en los primeros 3 años después de ESMO (European Directrices de la Sociedad de Oncología Médica). Se calculará la supervivencia libre de enfermedad (SSE) y la supervivencia libre de recaídas (SLR).