Gliomák térbeli és időbeli jellemzése radiomikus analízis segítségével (GLIO-RAD)

A javasolt retrospektív vizsgálatban a standard ellátás (előkezelés, posztoperatív, válaszértékelés és megfigyelés) részeként készített képeket (MRI, CT vagy PET) elemzik. A TMC neuro-onkológiai DMG-ben regisztrált betegek nyilvántartását tároló DMG adatbázist átvizsgálják, hogy azonosítsák a vizsgálatra alkalmas betegeket. Évente megközelítőleg 500-600 gliomát látnak, és évente körülbelül 80-100 beteget kezelnek a kezelés előtti képalkotó vizsgálaton, így 2010-2022 között 1000-es plafonra számítunk, ez lesz az elemzéshez felhasznált betegek maximális száma. Az összes képet anonimizáló szűrőket alkalmazva töltjük le a PACS-ból, a klinikai feljegyzéseket pedig az elektronikus kórlapok és sugárzási tervek áttekintésével nyerik ki. Képalkotó előfeldolgozásra kerül sor, amely magában foglalja a koponya eltávolítását és a különböző módokon (pl. MRI és CT) történő regisztrációt, vagy különböző szekvenciákat (pl. T1C, T2W, ADC) végeznek merev vagy deformálható algoritmusok használatával, amelyek a legjobban megfelelnek a vizsgálatnak. modalitás. Az érdeklődési terület besorolásához szükséges képszegmentálást neuroradiológus vagy nukleáris medicina orvosa egyedileg végzi el és ellenőrzi. A szegmentációkat a T1-kontraszt fokozó régió (CE), a nem fokozó régiók (NE) és a T1-C, T2W és T2-FLAIR területek által irányított nekrózis (NEC) azonosítására kell elvégezni. A kontúrok és a képek újramintavételezése egységes felbontásban történik a különböző szekvenciákhoz vagy módozatokhoz (pl. T2W/ADC/PET), hogy illeszkedjenek a 3D-szekvenciához (pl. FSPGR-szekvencia), vagy a legkisebb szeletvastagságú elérhető képekhez. Ezt követően normalizálási technikákat (pl. hisztogram normalizálás/Z-pontszám normalizálás) kell végrehajtani az egyes képeken belül és a teljes adathalmazban, hogy figyelembe vegyék a kép heterogenitását, beleértve az MRI térerősségét és a különböző képfelvételi paramétereket. Az automatikus szegmentáláshoz felügyelt és nem felügyelt gépi tanulási algoritmusokat is alkalmazunk. A felügyelt modell esetében a teljes adatbázis képzési és tesztcsoportokra lesz felosztva a modell és az alkalmazásfejlesztés számára. Az automatizált modell hatékonyságát a manuálisan szegmentált régiók és az AI-alapú szegmensek közötti kockahasonlósági együttható segítségével tesztelik. A gliómák prognosztizálásához a következő lépés a jellemzők extrakciója, amely elsőrendű (beleértve az alakot, hisztogramot), másodrendű vagy magasabb rendű (pl. különböző textúra jellemzők, mint a GLCM, GLDM, GLSZM stb.) vagy mély tanulási technikákat alkalmaznak. A delta-radiomika magában foglalja a radiomikus jellemzők időbeli változásait ugyanazon páciens különböző időpontjaiban a teljes köteten és az egyes régiókon belül. Ezt követően a funkciócsökkentési és -kiválasztási technikákat, például a LASSO-t, a rekurzív jellemzők kiküszöbölését fogják használni a funkciók számának szűkített listájára a minta méretétől függően. Az eredményeket a specifikus osztályproblémák (pl. tumor vs. ödéma, recidíva vs. pszeudo progresszió, kimenetelek, érdeklődésre számot tartó tumorrégió vs. nem tumoros terület) modellezése alapján határozzák meg, a klinikai információk alapján. Az osztályok minden kiegyensúlyozatlanságát olyan módszerekkel kell kezelni, mint a véletlenszerű részhalmaz-mintavétel vagy a kisebbségi osztály adatbővítését szolgáló SMOTE-elemzés. A gépi tanulási algoritmusok, például az LDA, a k-NN, az SVM, a véletlenszerű erdő, az AdaBoost stb., egyedileg vagy kombinált osztályozóként kerülnek alkalmazásra, hogy megtalálják a legjobb teljesítményű modellt. A mélytanulási osztályozókat a jellemző alapú modellezéssel együtt használják majd, és összehasonlítják az osztályozó alkalmazhatóságának tesztelésére. A gépi tanulási modell stabilitásának értékelésére olyan érvényesítési technikákat alkalmaznak majd, mint az egy kihagyás, a k-szeres érvényesítés és a felosztás (tanítási és tesztcsoportra). A radiomikus elemzést az adatelemzésben jártas adattudósok/tanulmányozók végzik. Minden szegmentálás nyílt forráskódú szoftvereken történik, mint például az ITK snap (itksnap.org) vagy 3D Slicer (slicer.org). A funkciók kinyerése és modellezése nyílt forráskódú szoftverek, például a Python (python.org) segítségével történik. A számítástechnika folyamatos fejlődésével a rendelkezésre álló újabb analitikai technikákat és platformokat szükség szerint alkalmazzák az Indiai Statisztikai Intézet Kolkata (Gépi Intelligencia Egység) munkatársai az anonimizált adatok megosztásával.