Keinotekoiseen älykkyyteen perustuva RAdiogenomiikka paksusuolen kasvaimissa (ATTRACT)

ATTRACT-tutkimus koostuu retrospektiivisestä ja tulevasta osasta. Tutkimuksen retrospektiivisessä osassa 300 vaiheen II-III paksusuolensyöpäpotilaan radiologiaa, patologiaa ja genomiikkatietoja käytetään paksusuolen kasvainten geneettisten ja radiomiikan ominaisuuksien ja kliinisten päätepisteiden tunnistamiseen ennustavan mallin tuloksina.

Kasvaimet segmentoidaan manuaalisesti CT-kuvissa ja niitä käytetään tekoälyn (AI) mallin sukupolveen. Patologiset merkinnät liitetään vastaaviin anonymisoituihin profiileihin. Immunohistokemiaa käytetään luokittelemaan näytteet neljään molekyylialatyyppiin. RNA-seq-profiilit luodaan myös kudosnäytteistä kohdistettujen transkriptioiden avulla käyttämällä mukautettuja NGS-paneeleja (seuraavan sukupolven sekvensointi), jotka on erityisesti suunniteltu arvioimaan geenin ilmentymistä ja arvioimaan kasvaimen mutaatiotaakkaa. (TMB). Raakadataa käsitellään ja mallinnetaan käyttäen Topological Pathway Analysis -menetelmää potilaiden osittaistamiseksi asiaankuuluvien molekyyliominaisuuksien mukaan ja molekyylien merkintöjen määrittämiseksi, joita käytetään mallin kouluttamiseen tiettyjen kliinisesti merkityksellisten ryhmien tunnistamiseen. Raakadataa yhdessä radiologisten tietojen kanssa käytetään luomaan ja kouluttamaan tekoälymalleja automatisoitua segmentointia ja radiogenomisten allekirjoitusten poimimista varten.

Radiomiikkaominaisuudet erotetaan manuaalisesti segmentoiduista kasvaimista. Käytössä on vakiomuotoisia PyRadiomics-työkaluja sekä räätälöityjä työkaluja. Ominaisuuden kestävyys taataan valitsemalla vain ne, joilla on korkea tarkkailijoiden välinen tilastollinen korrelaatio. Luodaan kaksi tekoälymalliperhettä, joista toinen on omistettu segmentoinnille ja toinen radiogenomiikkaan perustuvalle fenotyypitykselle käytettävissä olevien kliinisen, molekyylibiologian ja patologisten tietojen mukaan. Nämä kaksi perhettä yhdistetään ATTRACT AI -mallin luomiseksi. Näiden mallien luomiseen käytetään erityisiä syväoppimiseen (DL) ja tekoälyyn perustuvia konvoluutiohermoverkko (CNN) -arkkitehtuuria, kuten UNet ja MaskNet. Harjoittelu suoritetaan käyttämällä manuaalisia ROI (region of interest) -segmentointeja maaperänä. Radiogenomisten analyysimallien luomiseksi radiomiikka ja genomiominaisuudet yhdistetään erilaisilla monimuuttujaalgoritmeilla. Luokituslaitos koulutetaan tunnistamaan syövän alatyypit ja kliiniset päätepisteet.

Tutkimuksen tulevassa osassa rekrytoidaan potilaat, joilla on vaiheen II-III paksusuolensyöpä, ja heille tehdään ennen leikkausta varjoaineella tehty TT-tutkimus. Rekrytointiaste tulee olemaan 70 potilasta vuodessa, yhteensä 210 potilasta. Leikkausta edeltävän TT:n jälkeen leikkaus suoritetaan kansainvälisten standardiprotokollien mukaisesti. Lopulta adjuvanttihoitoa harkitaan nykyisten ohjeiden mukaisesti. Mahdollisen ilmoittautumisen patologinen näyte analysoidaan. Ensinnäkin RNA-seq-datan, TMB:n (koodaavien geenien) ja kliinisen datan avulla potilaat ryhmitellään käyttämällä kahta erilaista tekniikkaa, Markov Cluster -algoritmia (MCL) ja t-SNE:tä (t-hajautunut stokastinen naapuri upottaminen). Kerrosverkkoklusterointi. Potilaat esitetään verkon solmuina, solmujen väliset reunat painotetaan ja rajataan Jaccardin samankaltaisuuden mukaisesti. Samankaltaisuus lasketaan Topological Pathway Analysis -analyysistä tulevien geeniekspressio-, TMB- ja häiriötietojen päälle. Klusteritulokset verrataan immunohistokemian tuloksiin. Kliiniset seurantatiedot (esim. terapian tulos jne...) liitetään myös työnkulkuun, kun se on saatavilla, jotta oppiminen saadaan voimaan. Poimittua tietoa käytetään radiomiikan luokituksen kouluttamiseen ja validointiin käytetyn tietojoukon merkitsemiseen. Bruttonäyte analysoidaan erilaisten transkriptomisten molekyylien alatyyppien (CMS1, CMS2, CMS3, CMS4) erottamiseksi kolorektaalisyöpä (CRC) Subtyping Consortiumin (CRCSC) mukaisesti arvioiden ydinalatyyppien olemassaoloa tai puuttumista olemassa olevien geenien ilmentymisen joukosta. perustuvat CRC-alatyyppialgoritmit. Patologisen molekyyliprofiilin ja ctDNA-analyysin välinen yhteensopivuus protokollan aikana liitetään radiomiikan luokitukseen, jotta saadaan uusi kokonaisdiagnostinen lähestymistapa CRC:n hoidossa ja seurannassa.

Tulevia tietoja käytetään tekoälymallien validointiin. Segmentointimalleissa noppakerrointa käytetään indikaattorina, jolla mitataan automatisoidun ja asiantuntijasegmentoinnin päällekkäisyyttä. Radiogenomiikkamallissa suorituskykyä arvioidaan käyttämällä tarkkuutta, integraalia vastaanottimen käyttäjäkäyrän (ROC-AUC) ja kliinisen päätöskäyrän avulla. Tutkijat ottavat parhaiden tekoälymallien valinnassa huomioon myös reagoinnin syöteominaisuuksien vaihteluun ja tuottavat näkyvyyskartat, joissa korostuvat luokitukseen eniten vaikuttaneet syöttökuvan piirteet.

Kliininen arviointi suoritetaan kuuden kuukauden välein 2 vuoden ajan, mukaan lukien säännölliset seerumin CEA-testit (karsinoembryoninen antigeeni) ja koko kehon CT 6-12 kuukauden välein potilailla, joilla on suurempi uusiutumisen riski ensimmäisten kolmen vuoden aikana ESMO:n (European) jälkeen. Society for Medical Oncology) -ohjeet. Taudista vapaa eloonjääminen (DFS) ja relapse-free survival (RFS) lasketaan.