Approccio multiomico alla radioresistenza degli ependimomi nei bambini e negli adolescenti (EPENDYMOMICS)

La resistenza al trattamento ci ha spinto a realizzare lo studio nazionale PEPPI (Pediatric Ependimoma Photons Protons and Imaging). PEPPI ha raccolto dati clinici, di imaging e di dosimetria da bambini con ependimoma intracranico trattati in Francia tra il 2000 e il 2013. Da allora, i pazienti sono trattati nell'attuale programma prospettico SIOP II Ependimoma. I nostri risultati clinici hanno confermato i classici fattori prognostici clinici, inclusa la dose di radioterapia, e abbiamo dimostrato che i biomarcatori di imaging da T2/FLAIR, perfusione e diffusione MRI erano nuovi fattori prognostici. Abbiamo riferito che la ricaduta dopo RT si verifica principalmente localmente all'interno della regione ad alto dosaggio. Il valore prognostico della dose e l'alto tasso di recidiva con la dose standard ci hanno spinto a eseguire uno studio di dosimetria in silico dell'escalation della dose confrontando fotoni e protoni, confermando la fattibilità di questo approccio. Nella serie PEPPI, la previsione del sito di recidiva con imaging RM avanzato non era possibile a causa di un piccolo campione di dati di imaging e la recente classificazione biomolecolare non era disponibile. Recentemente, la profilazione della metilazione del DNA ha fornito una nuova classificazione dell'ependimoma in sottogruppi molecolari con un forte valore prognostico.

Il progetto EPENDYMOMICS mira a determinare il ruolo prognostico dell'imaging multimodale, a identificare cluster radioresistenti predittivi di recidiva e ad analizzare il legame tra caratteristiche radiomiche e marcatori genomici, portando quindi a uno studio di radiogenomica. Si baserà su un database con un numero maggiore di pazienti chiamato NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependimoma) per sviluppare un approccio radiomico, ovvero prevedere gli endpoint clinici basandosi su caratteristiche quantitative estratte da immagini mediche utilizzando sia o algoritmi di estrazione automatizzata delle caratteristiche. Queste caratteristiche saranno sfruttate e combinate con altre variabili disponibili (cliniche, genetiche, ecc.) come migliore supporto decisionale.

1. Raccolta dati MRI: Diagnostica, FU fino a recidiva (formato DICOM)

   - Sequenze: T1W, T2W, FLAIR, T1W con e senza miglioramento del contrasto, imaging pesato in diffusione (DWI), imaging pesato in perfusione (PWI) Radioterapia: TAC, RTDOSE, RTSS, RTPLAN (formato DICOM RT) Clinica: Età, chirurgia, chemioterapia, dosi, effetti tardivi, data di recidiva Istologia: vetrini istopatologici colorati con ematossilina ed eosina (H&E) Biologia molecolare: gruppi di metilazione RELA, YAP, PFA e PFB

2. Controllo della qualità dei dati e delineazione del volume di interesse per curare i dati prima della post-elaborazione e dell'analisi.

   Per garantire una solida segmentazione preliminare dell'immagine, verrà controllato il set di strutture per radioterapia per ciascun paziente. Il radiologo referente confermerà tutte le modifiche all'imaging dopo la RT. Un radioterapista esperto segmenterà i volumi delle anomalie post-trattamento in T1WI post contrasto, nell'imaging T2W/FLAIR, così come il sito di recidiva e gli OAR mancanti.

3. Post-elaborazione dei dati di imaging e analisi dei cambiamenti dopo la radioterapia Elaboreremo il DWI e il PWI con Olea Sphere®3.0 software, una soluzione di post-elaborazione per scanner MRI e CT. Estrarremo e genereremo mappe del coefficiente di diffusione apparente dai dati DWI calcolati su base voxel per voxel e relative mappe del volume del sangue cerebrale calcolate dai dati PWI con una routine di decomposizione del valore singolare dell'indice di oscillazione e correzione per gli effetti di perdita pesati in T1.

   Tutti i dati della risonanza magnetica saranno rigorosamente co-registrati con il T1WI-PC e la TC di pianificazione.

4. Armonizzazione radiomica Eseguiremo l'aumento del livello di armonizzazione delle immagini e/o delle caratteristiche estratte su dataset altamente eterogenei a causa delle sue molteplici fonti.

   Svilupperemo un framework basato su GAN, traducendo immagini eterogenee in modo che corrispondano alle proprietà di un set di dati standard, come un'immagine di riferimento del modello o, in alternativa, un set di immagini scelto come riferimento. Dobbiamo determinare le proprietà rilevanti all'interno delle immagini (metriche locali o globali, texture, bordi, contrasto, rapporto segnale/rumore, ecc.) e garantire la capacità del framework di armonizzare le immagini senza perdere le loro informazioni e contenuti clinicamente rilevanti .

   Nello spazio delle caratteristiche, possono essere applicati numerosi approcci statistici, come la normalizzazione o la compensazione dell'effetto batch. ComBat ha dimostrato di superare altri approcci simili e faremo affidamento sulla stima Monte Carlo per piccoli campioni. Studieremo la combinazione dei metodi di correzione batch con il clustering non supervisionato per gestire dati che presentano un'eterogeneità molto elevata e un numero molto ridotto di campioni per batch.

   Potrebbe essere vantaggioso e complementare combinare metodologie di armonizzazione basate su immagini e caratteristiche per migliorare i risultati degli studi radiomici multicentrici. Valuteremo il potenziale vantaggio aggiunto di entrambi gli approcci sviluppati in precedenza nel migliorare i risultati. L'obiettivo di questo compito sarà stabilire se il primo o il secondo approccio (o la combinazione di entrambi) è il più efficiente, tenendo conto non solo del miglioramento assoluto osservato nei risultati, ma anche del tempo e dello sforzo di calcolo necessari per mettere in pratica ciascun approccio.

5. Analisi biomolecolare Saranno incluse risorse biologiche da coorti di pazienti con ependimoma PEPPI e SIOPII. In primo luogo, verrà confermata la diagnosi di ependimomi intracranici e successivamente verranno studiate le caratteristiche patologiche.

   Classificazione OMS 2020 degli ependimomi: il cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) ha deciso di classificare gli ependimomi in base alla localizzazione e all'alterazione genetica sottostante. L'attuale classificazione dell'OMS è in fase di revisione.

   Studi biologici necessari per classificare l'ependimoma intracranico del progetto:

   Immunoistochimica: p65-RelA, H3K27Me3. Analisi FISH (classificazione e variazioni del numero di copie). Profilo di metilazione del DNA. Analisi RNAseq.

6. Deep learning (DL) per i biomarcatori molecolari dell'ependimoma A tale scopo, il team di Zimmer ha progettato e addestrato reti neurali convoluzionali profonde basate sull'architettura Inception V3 per distinguere l'ependimoma dal glioma di grado III e IV. I risultati preliminari basati su un set di dati di imaging indicano un'elevata precisione di discriminazione e suggeriscono la possibilità di prevedere mutazioni clinicamente rilevanti dalle sole immagini H&E (manoscritto in preparazione).

   Estenderemo questi approcci DL per prevedere la resistenza alla terapia e le metastasi. Ciò sarà fatto utilizzando le immagini istopatologiche da sole come input o in combinazione con classificazioni basate su saggi molecolari. A livello tecnico, utilizzeremo architetture di reti neurali profonde all'avanguardia basate su livelli convoluzionali e collegamenti saltati. Per compensare la dimensione moderata del set di dati di addestramento, faremo un uso massiccio del transfer learning. Qui, faremo un uso specifico del database TGCA, che contiene immagini di tumori molto diversi come il cancro al seno, e adatteremo modelli di successo riqualificandoci su un sottoinsieme dei dati sull'ependimoma acquisiti in questo studio. Adotteremo anche rappresentazioni di immagini multi-scala per un migliore sfruttamento delle informazioni dell'immagine a livello cellulare e tissutale, utilizzeremo la normalizzazione del colore specifica H&E e metodi per l'eliminazione automatizzata delle regioni soggette ad artefatti di imaging. Incorporeremo anche i metodi sviluppati in Imjoy. Disaccoppiando l'interfaccia utente grafica dal back-end computazionale, consente agli utenti di accedere a funzionalità di elaborazione di fascia alta da qualsiasi workstation o laptop.

7. Analisi statistica Verranno sviluppate e convalidate diverse firme: una firma radiomica (RAD-Score), una firma radiomica e clinica (RADClin-Score), una firma molecolare (MOL-score) e una firma globale (firma radiomica, molecolare e clinica) .

   • Punteggio RAD associato alla sopravvivenza libera da progressione (PFS). Per evitare pregiudizi, NETSPARE costruito da uno studio multicentrico retrospettivo che include coorti indipendenti è una coorte di formazione. La coorte di convalida per testare le prestazioni della firma radiomica corrisponde alla coorte del Regno Unito del programma SIOP II (n=220). Questa divisione consente la convalida esterna.

Coorte di formazione: la PFS mediana è stimata in 5 anni in letteratura. Ciò corrisponde a una PFS a 3,5 anni del 62%. Con 370 pazienti e un follow-up mediano di 3,5 anni, ci aspettiamo almeno 120 eventi. Secondo la regola empirica che raccomanda 10 eventi per variabile di interesse, può essere addestrato un modello multiparametrico che combina 10 variabili. Verrà utilizzata una strategia di modellizzazione alternativa basata su un approccio penalizzato per studiare l'associazione tra parametri di imaging e PFS. Poiché i dati dei biomarcatori di imaging superano di gran lunga le dimensioni del campione e sono intercorrelati, verranno utilizzati metodi penalizzati (precedentemente utilizzati in diverse situazioni con dati spaziali) per la regolarizzazione e la selezione delle variabili, incoraggiando l'effetto di raggruppamento e selezionando variabili esplicative.

Coorte di convalida: sono previsti 66 eventi. Con questo numero di eventi, è possibile rilevare con l'80% di potenza un rapporto di rischio di 0,5 tra il gruppo a basso e alto rischio (Logrank test a due code 0,05).

Dati demografici: le variabili continue saranno riassunte per coorte utilizzando la mediana, il minimo, il massimo e il numero di osservazioni disponibili. Le variabili qualitative saranno riassunte utilizzando conteggi, percentuali e numero di dati mancanti. Il confronto tra le coorti sarà effettuato utilizzando il test del chi-quadrato (o il test esatto di Fisher se applicabile) per le variabili qualitative e il test di Mann-Whitney per le variabili quantitative.

- Sviluppo e convalida della firma radiomica: per studiare l'associazione tra caratteristiche di imaging e PFS, utilizzeremo una strategia di modellazione alternativa basata sul modello di regressione di Cox penalizzato. Il metodo Elastic Net incoraggia l'effetto di raggruppamento e seleziona le variabili esplicative. Eseguiremo una convalida incrociata di 10 volte per selezionare il miglior parametro di penalità lambda. Il parametro di miscelazione α, altro parametro del metodo della rete elastica, sarà impostato su un valore predefinito di 0,5. I coefficienti di regressione associati a ciascuno stato delle diverse variabili verranno utilizzati per determinare il punteggio RAD. Poiché l'esito dipende dal tempo, il punteggio di rischio sarà dicotomizzato utilizzando una curva ROC dipendente dal tempo per ottenere un classificatore (gruppi di rischio: prognosi sfavorevole vs intermedia vs buona). La soglia ottimale è stata determinata per ottenere a 3 anni una sensibilità di almeno l'80% e la migliore specificità.

Verrà eseguita una convalida dell'intervallo utilizzando una convalida incrociata leave k-out. Applicheremo quindi la firma del punteggio RAD alla coorte di convalida. Le prestazioni del punteggio saranno valutate utilizzando diversi criteri: monotonia della stratificazione prognostica valutata utilizzando le curve di sopravvivenza di Kaplan-Meier e la stima dell'Hazard Ratio (HR), discriminazione valutata dall'indice C di Harrell e dalle statistiche D, qualità del modello e la proporzione della variazione spiegata stimata rispettivamente dall'Akaike Information Criterion (AIC) e dalla statistica RD². La capacità del punteggio prognostico di identificare i pazienti ad alto rischio di recidiva durante i primi 3 anni sarà valutata determinando la sensibilità, la specificità e il valore predittivo utilizzando una curva ROC dipendente dal tempo.

- Sviluppo e convalida del RADClin-Score: per incorporare informazioni cliniche e di imaging, combineremo i dati di imaging clinico a bassa dimensione e ad alta dimensione in un modello di previsione globale. Innanzitutto, ignoreremo completamente le funzionalità di imaging. Verrà applicato un modello di Cox per identificare le covariate cliniche associate alla PFS. Costruiremo un predittore lineare clinico utilizzando un coefficiente di regressione. Successivamente, utilizzeremo Elastic Net con il predittore lineare clinico in offset per identificare le caratteristiche di imaging. Infine, calcoleremo il RADClin-Score utilizzando un coefficiente di regressione. Tracceremo un diagramma di Venn per confrontare la selezione delle caratteristiche con il RADClin-Score e il RAD-Score. Confronteremo il modello utilizzando i diversi criteri precedentemente presentati.