Tekoäly keskushermoston säteilyonkologiassa (AI-RAD)

Ehdotettuun retrospektiiviseen tutkimukseen otetaan mukaan potilaat, joita hoidetaan keskushermoston (CNS) kasvainten sädehoidolla. DMG-tietokanta, joka ylläpitää TMC:n (Tata Memorial Centre) neuroonkologiaan (Disease Management Group) rekisteröityjä ja hoidettuja potilaita, seulotaan tutkimukseen kelpaavien potilaiden tunnistamiseksi. Kun vuosittain noin 500-600 keskushermoston kasvaimia sairastavaa potilasta hoidetaan RT:llä TMC:ssä, odotamme 6000 potilaan enimmäismäärän vuosina 2010-2022, mikä on analyysiin käytettyjen potilaiden enimmäismäärä. Kuvat (CT, MRI, PET), joita käytetään RT-suunnitteluun, hoidon puolivälissä tapahtuvaan kuvantamiseen osana IGRT:tä (Image-guided radiationtherapy) tai sairauden arviointiin sekä vasteen arviointiin/seurantaan RT:n jälkeen, analysoidaan. Säteilysuunnitelmat ja annostilavuushistogrammi saadaan TPS:ltä (Treatment Planning System). Kaikki kuvat ja säteilyyn liittyvät tiedot ladataan PACS:sta (Picture Archiving and Communication System) ja TPS:stä anonymisointisuodattimia käyttäen. Kliiniset ominaisuudet (potilas, sairaus, hoitoon liittyvät ominaisuudet ja tulokset) poimitaan tarkistamalla sähköiset potilastiedot. 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. Säteilyonkologit tarkastelevat kohdetilavuudet, eli kasvaimen kokonaistilavuus (GTV), kliinisen kohdetilavuuden (CTV) ja suunnittelun kohdetilavuuden (PTV) ja OAR:t yksilöllisesti ja tekevät tarvittavat muutokset (esim. OAR:ien (elinten) poissulkeminen riskissä) sairauden tai leikkauksen vääristämä) ja niitä käytetään koneoppimismallien kouluttamiseen ohjattua oppimista varten. 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. Myöhemmin normalisointitekniikoita (esim. histogrammin normalisointi/Z-pisteiden normalisointi) suoritetaan yksittäisissä kuvissa ja koko tietojoukossa kuvan heterogeenisyyden huomioon ottamiseksi, mukaan lukien MRI:n kentänvoimakkuus ja erilaiset kuvanottoparametrit. Autosegmentoinnissa käytetään sekä valvottuja että valvomattomia koneoppimisalgoritmeja. Valvotun mallin osalta koko tietokanta jaetaan koulutus- ja testikohortteihin mallin ja sovelluskehityksen osalta. Koska OAR:t ovat yhtenäisesti sovellettavissa eri histologia- tai kasvainkohtiin, autosegmentaatiokoulutusta sovelletaan koko tietojoukossa. Koska kohdevolyymien määrittelyissä on kuitenkin eroja (esim. rajatuissa vs. diffuuseissa kasvaimissa, matala-aste vs. korkea-aste), televisioiden koulutusta/testausta voidaan soveltaa yksittäisiin sairauskokonaisuuksiin. Automaattisen mallin tehokkuutta testataan käyttämällä nopan samankaltaisuuskerrointa manuaalisesti segmentoitujen alueiden ja tekoälypohjaisten segmenttien välillä. Tulosennusteen (esim. eloonjäämisen ja toksisuuksien) osalta seuraava vaihe sisältää piirteiden erottamisen kuvista (CT, MRI, PET), jotka vastaavat erilaisia ​​TV- ja OAR-kuvia sekä RT-annoksen jakautumistiedot, jotka muunnetaan tilavuuskuvaksi/lukutiedoiksi (dosiomiikka). koostuu ensimmäisen kertaluvun (mukaan lukien muoto, histogrammi), toisen kertaluvun tai korkeamman asteen (esim. erilaisia ​​pintakuvioominaisuuksia, 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 saadun mallinnuksen perusteella, joka on määritelty tietyille luokkaongelmille (esim. kasvain vs. turvotus, uusiutuminen vs. pseudoprogressio, tulokset, kiinnostava kasvainalue vs. ei-kasvainalue). 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 purkaminen ja mallintaminen tehdään avoimen lähdekoodin ohjelmistoilla, kuten Python (python.org). Projektin kolmannen asteen tavoitteena kehitämme protokollan anonymisoituun tiedon tallentamiseen (kliiniset tiedot, säteilyn suunnittelu- ja vastearviointikuvat, säteilysuunnittelutiedot, hoidon sisäiset kuvat, kuten kartiosädetietokonetomografia) suojattuun kuvapankkivarastoon, jossa on suojattu. pilvi tilaa. Lisäksi kehitetään luonnollisen kielen prosessointialgoritmeja (NLP) tutkimukseen poimittujen kliinisten muuttujien mallin kouluttamiseksi ja validoimiseksi. Laskennallisen tieteen jatkuvan kehityksen myötä saatavilla olevia uudempia analyyttisiä tekniikoita ja alustoja soveltavat tarvittaessa yhteistyökumppanit Bhabha Atomic Research Centrestä Mumbaista jakamalla anonymisoitua dataa.