RAdiogénomique basée sur l'intelligence artificielle dans les tumeurs du côlon (ATTRACT)

L'essai ATTRACT comprend une partie rétrospective et une partie prospective. Dans la partie rétrospective de l'essai, les données radiologiques, pathologiques et génomiques de 300 patients atteints d'un cancer du côlon de stade II-III seront utilisées pour identifier les caractéristiques génétiques et radiomiques des tumeurs du côlon et les paramètres cliniques comme résultats du modèle prédictif.

Les tumeurs seront segmentées manuellement sur des images CT et utilisées pour la génération de modèles d'IA (intelligence artificielle). Les annotations pathologiques seront associées aux profils anonymisés correspondants. L'immunohistochimie sera utilisée pour classer les échantillons dans les 4 sous-types moléculaires selon. Des profils de séquençage d'ARN seront également générés à partir d'échantillons de tissus via une transcriptomique ciblée à l'aide de panels NGS (séquençage de nouvelle génération) personnalisés spécialement conçus pour évaluer l'expression des gènes et évaluer la charge mutationnelle des tumeurs. (TMB). Les données brutes seront traitées et modélisées à l'aide de l'analyse des voies topologiques pour stratifier les patients en fonction des caractéristiques moléculaires pertinentes et définir des annotations moléculaires qui seront utilisées pour former le modèle pour l'identification de groupes spécifiques cliniquement pertinents. Les données brutes ainsi que les données radiologiques seront utilisées pour générer et entraîner les modèles d'IA pour la segmentation automatisée et l'extraction de la signature radiogénomique.

Les caractéristiques radiomiques seront extraites des tumeurs segmentées manuellement. Des outils PyRadiomics standard ainsi que des outils personnalisés seront utilisés. La robustesse des fonctionnalités sera garantie en sélectionnant uniquement celles présentant une corrélation statistique inter-observateur élevée. Deux familles de modèles d'IA seront générées, une famille dédiée à la segmentation et l'autre dédiée au phénotypage radiogénomique en fonction des données cliniques, de biologie moléculaire et pathologiques disponibles. Les deux familles seront fusionnées pour la création du modèle ATTRACT AI. Pour la génération de ces modèles, des architectures spécifiques de réseaux neuronaux convolutifs (CNN) basées sur l'apprentissage profond (DL) et l'intelligence artificielle comme UNet et MaskNet seront appliquées. La formation sera effectuée en utilisant les segmentations manuelles du ROI (région d'intérêt) comme vérité terrain. Pour la génération de modèles d'analyse radiogénomique, les caractéristiques radiomiques et génomiques seront combinées à l'aide de différents algorithmes multivariés. Le classificatoire sera formé pour reconnaître les sous-types de cancer et les paramètres cliniques.

Dans la partie prospective de l'essai, des patients atteints d'un cancer du côlon de stade II-III seront recrutés et subiront un examen tomodensitométrique préopératoire avec contraste. Le rythme de recrutement sera de 70 patients par an, pour un total de 210 patients. Après tomodensitométrie préopératoire, la chirurgie sera réalisée selon les protocoles standards internationaux. Éventuellement, un traitement adjuvant sera envisagé conformément aux directives actuelles. Un échantillon pathologique de l'inscription prospective sera analysé. Premièrement, avec les données de séquençage d'ARN, le TMB (des gènes codants) et les données cliniques, les patients seront regroupés en utilisant deux techniques différentes : l'algorithme de cluster de Markov (MCL) et le t-SNE (intégration de voisins stochastiques distribués en T), Multi- Clustering de réseau de couches. Les patients seront représentés comme nœud d'un réseau, les bords entre les nœuds seront pondérés et seuillés selon la similarité Jaccard. La similarité sera calculée en plus des informations sur l'expression génique, le TMB et les perturbations provenant de l'analyse des voies topologiques. Les résultats du clustering seront comparés à ceux provenant de l'immunohistochimie. Données de suivi clinique (c.-à-d. résultat de la thérapie, etc...) sera, une fois disponible, également connecté au flux de travail pour renforcer l'apprentissage. Les connaissances extraites seront utilisées pour annoter l'ensemble de données utilisé pour former et valider la classification radiomique. L'échantillon brut sera analysé afin d'extraire différents sous-types moléculaires transcriptomiques (CMS1, CMS2, CMS3, CMS4) conformément au Consortium de sous-typage du cancer colorectal (CRC) (CRCSC) évaluant la présence ou l'absence de modèles de sous-types de base parmi l'expression génique existante. algorithmes de sous-typage CRC basés sur. La concordance entre le profil moléculaire pathologique et l'analyse de l'ADNct au cours du protocole sera liée à la classification radiomique afin de fournir un nouveau modèle d'approche diagnostique global dans le traitement et la surveillance du CCR.

Les données prospectives seront utilisées pour valider les modèles d'IA. Pour les modèles de segmentation, le coefficient Dice sera utilisé comme indicateur pour mesurer le degré de chevauchement entre la segmentation automatisée et experte. Pour le modèle radiogénomique, les performances seront évaluées en utilisant la précision, l'intégrale sous la courbe opérateur du récepteur (ROC-AUC) et la courbe de décision clinique. Les enquêteurs prendront également en considération, afin de sélectionner les meilleurs modèles d'IA, la réponse à la variation des caractéristiques d'entrée et produiront des cartes de saillance où les caractéristiques de l'image d'entrée qui ont principalement contribué à la classification sont mises en évidence.

Une évaluation clinique sera effectuée tous les 6 mois pendant 2 ans, y compris des tests sériques réguliers de CEA (antigène carcinoembryonnaire) et une tomodensitométrie du corps entier tous les 6 à 12 mois chez les patients présentant un risque plus élevé de récidive au cours des 3 premières années suivant l'ESMO (European Society for Medical Oncology). La survie sans maladie (DFS) et la survie sans rechute (RFS) seront calculées.