Caractérisation spatiale et temporelle des gliomes par analyse radiomique (GLIO-RAD)

Dans l'étude rétrospective proposée, les images (IRM, CT ou TEP) réalisées dans le cadre des soins standard (prétraitement, postopératoire, évaluation de la réponse et surveillance) seront analysées. La base de données DMG contenant les enregistrements des patients enregistrés en neuro-oncologie TMC DMG sera examinée pour identifier les patients éligibles à l'étude. Avec environ 500 à 600 gliomes observés chaque année et environ 80 à 100 patients/an bénéficiant d'une imagerie pré-traitement, nous nous attendons à un plafond de 1 000 patients entre 2010 et 2022, ce qui sera le nombre maximum de patients utilisés pour l'analyse. Toutes les images seront téléchargées à partir du PACS en appliquant des filtres d'anonymisation, avec des dossiers cliniques extraits par examen des dossiers médicaux électroniques et des plans de radiothérapie. Un prétraitement de l'imagerie sera effectué, qui comprendra le dépouillement du crâne et l'enregistrement selon différentes modalités (par exemple, IRM et CT) ou différentes séquences (par exemple, T1C, T2W, ADC) seront effectués à l'aide d'algorithmes rigides ou déformables, selon les mieux adaptés. modalité. La segmentation des images pour classer la région d'intérêt sera effectuée et vérifiée individuellement par un neuro-radiologue ou un médecin en médecine nucléaire, selon le cas. Les segmentations seront effectuées pour identifier la région améliorant le contraste (CE), les régions non améliorées (NE) et la nécrose (NEC) guidées par les zones T1-C, T2W et T2-FLAIR. Les contours et les images seront rééchantillonnés à une résolution uniforme pour différentes séquences ou modalités (par exemple, T2W/ADC/PET) pour correspondre soit à la séquence 3D (par exemple, séquence FSPGR), soit aux images disponibles avec la moindre épaisseur de tranche. Par la suite, des techniques de normalisation (par exemple, normalisation d'histogramme/normalisation du score Z) seront entreprises dans les images individuelles et dans l'ensemble de données pour tenir compte de l'hétérogénéité des images, y compris l'intensité du champ pour l'IRM et les différents paramètres d'acquisition d'images. Pour la segmentation automatique, des algorithmes d'apprentissage automatique supervisés et non supervisés seront appliqués. Pour le modèle supervisé, l'ensemble de la base de données sera divisé en cohortes de formation et de test pour le développement du modèle et de l'application, respectivement. L'efficacité du modèle automatisé sera testée à l'aide du coefficient de similarité des dés entre les régions de segmentation manuelle et les segments basés sur l'IA. Pour le pronostic des gliomes, l'étape suivante comprendra l'extraction de caractéristiques, qui consistera en des caractéristiques de premier ordre (y compris la forme, l'histogramme), de deuxième ordre ou d'ordre supérieur (par exemple, différentes caractéristiques de texture comme GLCM, GLDM, GLSZM, etc.) , ou des techniques d'apprentissage en profondeur seront utilisées. La delta-radiomique inclura les changements temporels dans les caractéristiques radiomiques à partir de différents moments pour le même patient dans l'ensemble du volume et des régions individuelles. Par la suite, des techniques de réduction et de sélection de fonctionnalités telles que LASSO et l'élimination récursive de fonctionnalités seront utilisées pour présélectionner le nombre de fonctionnalités en fonction de la taille de l'échantillon. Les résultats seront décidés en fonction de la modélisation définie pour des problèmes de classe spécifiques (par exemple, tumeur vs œdème, récidive vs pseudo progression, résultats, région tumorale d'intérêt vs zone non tumorale) tels qu'obtenus à partir des informations cliniques. Tout déséquilibre de classe sera corrigé à l'aide de méthodes telles que l'échantillonnage aléatoire de sous-ensembles ou l'analyse SMOTE pour l'augmentation des données de la classe minoritaire. Des algorithmes d'apprentissage automatique tels que LDA, k-NN, SVM, random forest, AdaBoost, etc., seront appliqués individuellement ou en combinaison en tant que classificateur d'ensemble pour trouver le modèle offrant les meilleures performances. Des classificateurs d'apprentissage profond seront utilisés avec une modélisation basée sur les fonctionnalités et comparés pour tester l'applicabilité du classificateur. Des techniques de validation telles que la validation sans intervention, la validation k-fold et la répartition (en cohorte de formation et de test) seront utilisées pour évaluer la stabilité du modèle d'apprentissage automatique. L'analyse radiomique sera effectuée par des scientifiques des données/investigateurs de l'étude possédant une expertise en analyse de données. Toutes les segmentations seront effectuées sur un logiciel open source comme ITK snap (itksnap.org) ou 3D Slicer (slicer.org). L'extraction et la modélisation des fonctionnalités seront effectuées à l'aide de logiciels open source comme Python (python.org). Avec les progrès continus de la science informatique, les nouvelles techniques et plates-formes d'analyse disponibles seront appliquées, le cas échéant, par les collaborateurs de l'Institut indien de statistique de Calcutta, Machine Intelligence Unit, en partageant les données anonymisées.