Multiominen lähestymistapa lasten ja nuorten ependimoomien radioresistenssiin (EPENDYMOMICS)

Hoidon vastustuskyky sai meidät suorittamaan kansallisen PEPPI-tutkimuksen (Pediatric Ependymoma Photons Protons and Imaging). PEPPI kokosi kliiniset, kuvantamis- ja dosimetriset tiedot kallonsisäistä ependymoomaa sairastavista lapsista, joita hoidettiin Ranskassa vuosina 2000–2013. Siitä lähtien potilaita on hoidettu nykyisessä tulevassa SIOP II Ependymooma -ohjelmassa. Kliiniset tulokset vahvistivat klassiset kliiniset prognostiset tekijät, mukaan lukien sädehoitoannos, ja osoitimme, että T2/FLAIR-kuvausbiomarkkerit, perfuusio ja diffuusio-MRI olivat uusia ennustetekijöitä. Ilmoitimme, että relapsi RT:n jälkeen tapahtuu pääasiassa paikallisesti suuren annoksen alueella. Annoksen prognostinen arvo ja korkea uusiutumisnopeus vakioannoksella sai meidät suorittamaan in silico dosimetriatutkimuksen annoksen noususta vertaamalla fotoneja ja protoneja, mikä vahvisti tämän lähestymistavan toteutettavuuden. PEPPI-sarjoissa pahenemiskohdan ennustaminen edistyneellä MR-kuvauksella ei ollut mahdollista kuvantamistietojen pienen otoksen vuoksi, eikä viimeisintä biomolekyyliluokitusta ollut saatavilla. Äskettäin DNA-metylaatioprofilointi tarjosi uuden ependymooman luokituksen molekyylialaryhmiin, joilla on vahva prognostinen arvo.

EPENDYMOMICS-projektin tavoitteena on määrittää multimodaalisen kuvantamisen prognostinen rooli, tunnistaa säteilyresistenttejä klustereita, jotka ennustavat uusiutumista, ja analysoida radiomiikan ominaisuuksien ja genomimarkkereiden välistä yhteyttä, mikä johtaa radiogenomiikkatutkimukseen. Se perustuu tietokantaan, jossa on suurempi määrä potilaita, nimeltään NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) kehittääkseen radiomiikan lähestymistapaa, eli ennustaa kliinisiä päätepisteitä luottaen kvantitatiivisiin piirteisiin, jotka on erotettu lääketieteellisistä kuvista käyttämällä joko käsintehtyjä kuvia. tai automaattisten ominaisuuksien poimintaalgoritmeja. Näitä ominaisuuksia hyödynnetään ja yhdistetään muihin saatavilla oleviin muuttujiin (kliiniset, geneettiset jne.) parannettua päätöksentekoa.

1. Tiedonkeruu MRI: Diagnostinen, FU uusiutumiseen asti (DICOM-muoto)

   - Jaksot: T1W, T2W, FLAIR, T1W kontrastin lisäyksellä ja ilman, diffuusiopainotettu kuvantaminen (DWI), perfuusiopainotettu kuvantaminen (PWI) Sädehoito: CT-skannaus, RTDOSE, RTSS, RTPLAN (DICOM RT-muoto) Kliininen: Ikä, leikkaus, kemoterapia, annokset, myöhäiset vaikutukset, uusiutumispäivä Histologia: hematoksyliinilla ja eosiinilla (H&E) värjätty histopatologiset objektilasit Molekyylibiologia: Metylaatioryhmät RELA, YAP, PFA ja PFB

2. Tietojen laadun tarkistus ja kiinnostavan määrän rajaaminen tietojen kuratoimiseksi ennen jälkikäsittelyä ja analysointia.

   Alustavan vankan kuvan segmentoinnin varmistamiseksi sädehoitorakennesarja tarkistetaan jokaiselle potilaalle. Lähettävä radiologi vahvistaa kaikki kuvantamismuutokset RT:n jälkeen. Asiantunteva säteilyonkologi segmentoi hoidon jälkeisten poikkeavuuksien määrät T1WI:n jälkeisessä kontrastissa, T2W/FLAIR-kuvauksessa sekä relapsien ja puuttuvien OAR-kohdissa.

3. Kuvaustietojen jälkikäsittely ja muutosten analysointi sädehoidon jälkeen Käsittelemme DWI:n ja PWI:n Olea Sphere®3.0:lla ohjelmisto, jälkikäsittelyratkaisu MRI- ja CT-skannereille. Poimimme ja luomme näennäisen diffuusiokertoimen karttoja vokselikohtaisesti lasketuista DWI-tiedoista ja PWI-tiedoista lasketuista suhteellisista aivoveren tilavuuskartoista värähtelyindeksin singulaariarvon hajottelurutiinilla ja T1-painotettujen vuotovaikutusten korjauksella.

   Kaikki MRI-tiedot rekisteröidään tiukasti yhdessä T1WI-PC:n ja suunnittelun CT:n kanssa.

4. Radiomiikan harmonisointi Suoritamme kuvien ja/tai poimittujen ominaisuuksien harmonisointitason nostamisen erittäin heterogeeniselle tietojoukolle sen useista lähteistä johtuen.

   Kehitämme GAN-pohjaisen viitekehyksen, joka kääntää heterogeeniset kuvat vastaamaan vakiotietojoukon ominaisuuksia, kuten malliviitekuva tai vaihtoehtoisesti yksi viitteeksi valittu kuvasarja. Meidän on määritettävä kuvien olennaiset ominaisuudet (paikalliset tai globaalit mittarit, tekstuuri, reunat, kontrasti, signaali-kohinasuhde jne.) ja varmistettava kehyksen kyky harmonisoida kuvia menettämättä niiden kliinisesti merkityksellistä tietoa ja sisältöä. .

   Ominaisuusavaruudessa voidaan soveltaa lukuisia tilastollisia lähestymistapoja, kuten normalisointia tai erävaikutuksen kompensointia. ComBat on osoittautunut tehokkaammaksi kuin muut vastaavat lähestymistavat, ja luotamme Monte Carlon arvioon pienten näytteiden osalta. Tutkimme eräkorjausmenetelmien yhdistelmää valvomattoman klusteroinnin kanssa käsitelläksemme dataa, joka esittää erittäin suurta heterogeenisuutta ja erittäin pientä määrää näytteitä erää kohden.

   Saattaa olla hyödyllistä ja täydentävää yhdistää kuva- ja ominaisuuspohjaisia ​​harmonisointimenetelmiä monikeskusradiomiikkatutkimusten tulosten parantamiseksi. Arvioimme molempien aiemmin kehitettyjen lähestymistapojen mahdollista lisähyötyä tulosten parantamisessa. Tämän tehtävän tavoitteena on selvittää, onko ensimmäinen vai toinen lähestymistapa (tai molempien yhdistelmä) tehokkain, ottaen huomioon tuloksissa havaitun absoluuttisen parantumisen lisäksi myös laskenta-ajan ja vaivan, joka tarvitaan toteuttaa jokainen lähestymistapa käytännössä.

5. Biomolekyylianalyysi Mukaan otetaan PEPPI- ja SIOPII-ependymoomapotilaiden kohorttien biologiset resurssit. Ensin vahvistetaan kallonsisäisten ependymoomien diagnoosi ja sitten tutkitaan patologisia piirteitä.

   WHO 2020 ependimoomien luokitus: cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy – ei virallinen WHO) päätti luokitella ependimoomat sijainnin ja taustalla olevan geneettisen muutoksen mukaan. Nykyistä WHO:n luokitusta tarkistetaan.

   Projektin kallonsisäisen ependymooman luokitteluun vaadittavat biologiset tutkimukset:

   Immunohistokemia: p65-RelA, H3K27Me3. FISH-analyysi (luokitus ja kopionumeron vaihtelut). DNA-metylaatioprofilointi. RNAseq-analyysi.

6. Deep learning (DL) ependymooman molekyylibiomarkkereille Tätä tarkoitusta varten Zimmer-tiimi on suunnitellut ja kouluttanut syväkonvoluutiohermoverkkoja, jotka perustuvat Inception V3 -arkkitehtuuriin, jotta ependymooma voidaan erottaa gliooman asteista III ja IV. Kuvausaineistoon perustuvat alustavat tulokset osoittavat erottelun suuren tarkkuuden ja viittaavat mahdollisuuteen ennustaa kliinisesti merkityksellisiä mutaatioita pelkkien H&E-kuvien perusteella (käsikirjoitus valmisteilla).

   Laajennamme näitä DL-lähestymistapoja ennustamaan hoitoresistenssiä ja etäpesäkkeitä. Tämä tehdään käyttämällä histopatologisia kuvia yksinään joko syötteenä tai yhdessä molekyylimäärityksiin perustuvien luokittelujen kanssa. Teknisellä tasolla käytämme huippuluokan syvähermoverkkoarkkitehtuureja, jotka perustuvat konvoluutiokerroksiin ja ohitusyhteyksiin. Harjoitustietojoukon maltillisen koon kompensoimiseksi hyödynnämme ahkerasti siirtooppimista. Tässä hyödynnämme erityisesti TGCA-tietokantaa, joka sisältää kuvia hyvin erilaisista syövistä, kuten rintasyövästä, ja mukautamme onnistuneita malleja kouluttamalla uudelleen tässä tutkimuksessa hankittujen ependymoomatietojen osajoukon. Otamme myös käyttöön monimittaisen kuvaesityksen, jotta voimme hyödyntää paremmin kuvainformaatiota solu- ja kudostasolla, käytämme H&E-spesifistä värien normalisointia ja menetelmiä kuvantamisartefakteille alttiiden alueiden automaattiseen eliminointiin. Otamme myös kehitetyt menetelmät käyttöön Imjoyssa. Irrottamalla graafisen käyttöliittymän laskennallisesta taustasta, se antaa käyttäjille mahdollisuuden käyttää huippuluokan laskentaominaisuuksia mistä tahansa työasemasta tai kannettavasta tietokoneesta.

7. Tilastollinen analyysi Kehitetään ja validoidaan useita allekirjoituksia: radioaminen allekirjoitus (RAD-Score), radioaminen ja kliininen allekirjoitus (RADClin-Score), molekyylitunniste (MOL-score) ja globaali allekirjoitus (radiominen, molekyyli- ja kliininen allekirjoitus) .

   • RAD-pisteet, jotka liittyvät etenemisvapaaseen eloonjäämiseen (PFS). Harhojen välttämiseksi NETSPARE, joka on rakennettu retrospektiivisestä monikeskustutkimuksesta, joka sisältää riippumattomia kohortteja, on koulutuskohortti. Validointikohortti radioamisen allekirjoituksen suorituskyvyn testaamiseksi vastaa Iso-Britannian SIOP II -ohjelman kohorttia (n=220). Tämä jako mahdollistaa ulkoisen validoinnin.

Koulutuskohortti: PFS:n mediaaniksi arvioidaan kirjallisuudessa 5 vuotta. Tämä vastaa 3,5 vuoden PFS:tä 62 %. Odotamme vähintään 120 tapahtumaa, kun potilasta on 370 ja seurannan mediaani on 3,5 vuotta. Nyrkkisäännön mukaan, jossa suositellaan 10 tapahtumaa kiinnostavaa muuttujaa kohden, voidaan harjoitella moniparametrista mallia, joka yhdistää 10 muuttujaa. Kuvantamisparametrien ja PFS:n välistä yhteyttä tutkitaan vaihtoehtoisella mallinnusstrategialla, joka perustuu rangaistavaan lähestymistapaan. Koska kuvantamisen biomarkkeridata ylittää reilusti otoskoon ja korreloi keskenään, muuttujien säännönmukaistamiseen ja valintaan käytetään rankattuja (aiemmin eri tilanteissa paikkatiedon kanssa käytettyjä) menetelmiä edistämällä ryhmittelyvaikutusta ja valitsemalla selittäviä muuttujia.

Validointikohortti: Odotettavissa on 66 tapahtumaa. Tällä tapahtumamäärällä on mahdollista havaita 80 % teholla riskisuhde 0,5 matalan ja korkean riskin ryhmän välillä (Logrank-testi kaksipuolinen 0,05).

Väestötiedot: Jatkuvat muuttujat kootaan kohorttien mukaan käyttämällä mediaania, minimiä, maksimiarvoa ja käytettävissä olevien havaintojen määrää. Laadulliset muuttujat kootaan yhteen laskemalla, prosentteina ja puuttuvien tietojen määrällä. Kohortin välinen vertailu suoritetaan käyttämällä khin neliötestiä (tai Fisherin tarkkaa testiä, jos mahdollista) kvalitatiivisille muuttujille ja Mann-Whitneyn testiä kvantitatiivisille muuttujille.

- Radiomiikan allekirjoitusten kehittäminen ja validointi: Tutkiaksemme kuvantamisominaisuuksien ja PFS:n välistä yhteyttä käytämme vaihtoehtoista mallinnusstrategiaa, joka perustuu rangaistuun Cox-regressiomalliin. Elastic Net -menetelmä kannustaa ryhmittelyvaikutukseen ja valitsee selittäviä muuttujia. Suoritamme 10-kertaisen ristiinvalidoinnin valitaksemme parhaan rangaistusparametrin lambda. Sekoitusparametri α, toinen elastisen verkkomenetelmän parametri, asetetaan oletusarvoon 0,5. RAD-pistemäärän määrittämiseen käytetään eri muuttujien kuhunkin tilaan liittyviä regressiokertoimia. Koska tulos on ajasta riippuvainen, riskipisteet jaetaan kahtia käyttämällä ajasta riippuvaa ROC-käyrää luokittelun saamiseksi (riskiryhmät: huono vs. keskitaso vs. hyvä ennuste). Optimaalinen kynnys on määritetty siten, että 3 vuoden kuluttua saavutetaan vähintään 80 % herkkyys ja paras spesifisyys.

Intervallivalidointi suoritetaan käyttämällä jätä k-out -ristivalidointia. Käytämme sitten RAD-pisteiden allekirjoitusta validointikohorttiin. Pisteiden suorituskykyä arvioidaan eri kriteereillä: prognostisen kerrostumisen monotonisuus, joka on arvioitu Kaplan-Meierin eloonjäämiskäyrillä ja Hazard Ratio (HR) -estimaatiolla, Harrellin C-indeksillä ja D-tilastoilla arvioitu syrjintä, mallin laatu ja osuus. Akaike Information Criterion (AIC) ja RD²-tilasto arvioivat selitetyn vaihtelun. Ennustepisteiden kyky tunnistaa potilaat, joilla on korkea uusiutumisriski kolmen ensimmäisen vuoden aikana, arvioidaan määrittämällä herkkyys, spesifisyys ja ennustearvo käyttämällä ajasta riippuvaa ROC-käyrää.

- RADClin-Score-kehitys ja validointi: Kliinisen ja kuvantamistietojen sisällyttämiseksi yhdistämme sekä pieniulotteisen kliinisen että korkean ulottuvuuden kuvantamistiedot globaaliin ennustemalliin. Ensinnäkin jätämme täysin huomiotta kuvantamisominaisuudet. Cox-malli asennetaan PFS:ään liittyvien kliinisten kovariaattien tunnistamiseen. Rakennamme kliinisen lineaarisen ennustajan käyttämällä regressiokerrointa. Seuraavaksi käytämme Elastic Netiä kliinisen lineaarisen ennustajan kanssa offset-asennossa kuvantamisominaisuuksien tunnistamiseen. Lopuksi laskemme RADClin-pisteen käyttämällä regressiokerrointa. Piirrämme Venn-kaavion vertaillaksemme ominaisuuden valintaa RADClin-pisteisiin ja RAD-pisteisiin. Vertaamme mallia käyttämällä erilaisia ​​aiemmin esitettyjä kriteerejä.