Glioomien spatiaalinen ja ajallinen karakterisointi radioaktiivisella analyysillä (GLIO-RAD)

Ehdotetussa retrospektiivisessä tutkimuksessa analysoidaan kuvia (MRI, CT tai PET), jotka on otettu osana normaalia hoitoa (esihoito, leikkauksen jälkeinen, vasteen arviointi ja seuranta). DMG-tietokanta, joka ylläpitää TMC-neuroonkologiaan DMG-rekisteröityjen potilaiden tietoja, seulotaan tutkimukseen kelpaavien potilaiden tunnistamiseksi. Vuosittain havaitaan noin 500-600 glioomaa ja noin 80-100 potilasta/vuosi ennen hoitoa kuvantamista, joten odotamme 1000 potilaan enimmäismäärän vuosina 2010-2022, mikä on analyysiin käytettyjen potilaiden enimmäismäärä. Kaikki kuvat ladataan PACS:sta anonymisointisuodattimia käyttäen, ja kliiniset tiedot poimitaan tarkistamalla sähköiset potilastiedot ja säteilysuunnitelmat. Tehdään kuvantamisen esikäsittely, joka sisältää kallon kuorinnan ja rekisteröinnin eri menetelmillä (esim. MRI ja CT) tai eri sekvensseillä (esim. T1C, T2W, ADC) käyttämällä jäykkiä tai muotoaan muuttavia algoritmeja, jotka sopivat parhaiten modaliteetti. Neuroradiologi tai isotooppilääketieteellinen lääkäri tekee ja tarkastaa yksilöllisesti kuvan segmentoinnin kiinnostavan alueen luokittamiseksi. Segmentoinnit tehdään T1-kontrastia tehostavan alueen (CE), ei-tehostavan alueen (NE) ja nekroosin (NEC) tunnistamiseksi T1-C-, T2W- ja T2-FLAIR-alueiden ohjaamiseksi. Ääriviivat ja kuvat näytteistetään uudelleen yhtenäiseen resoluutioon eri sarjoille tai modaliteeteille (esim. T2W/ADC/PET), jotta ne vastaisivat joko 3D-sekvenssiä (esim. FSPGR-sekvenssi) tai saatavilla olevia kuvia, joilla on pienin siivupaksuus. Tämän jälkeen normalisointitekniikoita (esim. histogrammin normalisointi/Z-pisteiden normalisointi) suoritetaan yksittäisissä kuvissa ja koko tietojoukossa ottaakseen huomioon kuvan heterogeenisyyden, mukaan lukien MRI:n kentänvoimakkuus ja erilaiset kuvanottoparametrit. Automaattisessa segmentoinnissa käytetään sekä valvottuja että valvomattomia koneoppimisalgoritmeja. Valvotun mallin osalta koko tietokanta jaetaan koulutus- ja testikohortteihin mallin ja sovelluskehityksen osalta. Automaattisen mallin tehokkuutta testataan käyttämällä nopan samankaltaisuuskerrointa manuaalisesti segmentoitujen alueiden ja tekoälypohjaisten segmenttien välillä. Glioomien ennustamista varten seuraava vaihe sisältää piirteiden erottamisen, joka koostuu ensimmäisen kertaluvun (mukaan lukien muoto, histogrammi), toisen kertaluvun tai korkeamman kertaluvun ominaisuuksista (esim. erilaiset tekstuurin ominaisuudet, kuten GLCM, GLDM, GLSZM jne.). tai syväoppimistekniikoita käytetään. Delta-radiomiikka sisältää ajallisia muutoksia radioaktiivisissa piirteissä eri aikapisteistä samalle potilaalle koko tilavuuden ja yksittäisten alueiden sisällä. Myöhemmin ominaisuuksien vähentämis- ja valintatekniikoita, kuten LASSOa, rekursiivista ominaisuuksien eliminointia, käytetään ominaisuuksien määrän valitsemiseen otoskoon mukaan. Tulokset päätetään kliinisistä tiedoista saatujen erityisten luokkaongelmien (esim. kasvain vs. turvotus, uusiutuminen vs. näennäinen eteneminen, tulokset, kiinnostava kasvainalue vs. ei-kasvainalue) mallinnuksen perusteella. Kaikki luokkien epätasapaino korjataan käyttämällä menetelmiä, kuten satunnaisotantaa tai SMOTE-analyysiä vähemmistöluokan tietojen lisäämiseksi. Koneoppimisalgoritmeja, kuten LDA, k-NN, SVM, satunnainen metsä, AdaBoost jne., käytetään yksittäin tai yhdistelmänä ryhmiteltynä luokittelijana parhaan suorituskyvyn omaavan mallin löytämiseksi. Ominaisuuspohjaisen mallintamisen ohella käytetään syväoppivia luokittimia ja niitä verrataan luokittelijan soveltuvuuden testaamiseen. Koneoppimismallin vakauden arvioimiseen käytetään validointitekniikoita, kuten yhden poisjättämisen validointia, k-kertaista validointia ja jakamista (koulutus- ja testikohorttiin). Radiomisen analyysin tekevät datatieteilijät/tutkimustutkijat, joilla on asiantuntemusta data-analytiikan alalla. Kaikki segmentoinnit tehdään avoimen lähdekoodin ohjelmistoilla, kuten ITK snap (itksnap.org) tai 3D Slicer (slicer.org). Ominaisuuden poimiminen ja mallintaminen tehdään avoimen lähdekoodin ohjelmistoilla, kuten Python (python.org). Laskennallisen tieteen jatkuvan kehityksen myötä saatavilla olevia uudempia analyyttisiä tekniikoita ja alustoja soveltavat tarpeen mukaan yhteistyökumppanit Intian tilastoinstituutista Kolkatasta, Machine Intelligence Unitista jakamalla anonymisoituja tietoja.