Caratterizzazione spaziale e temporale dei gliomi mediante analisi radiomica (GLIO-RAD)

Nello studio retrospettivo proposto, verranno analizzate le immagini (MRI, TC o PET) effettuate come parte dello standard di cura (pretrattamento, postoperatorio, valutazione della risposta e sorveglianza). Il database DMG che conserva i record dei pazienti registrati nel DMG neuro-oncologico TMC sarà sottoposto a screening per identificare i pazienti idonei per lo studio. Con circa 500-600 gliomi osservati ogni anno e circa 80-100 pazienti/anno sottoposti a imaging pre-trattamento, prevediamo un tetto di 1.000 pazienti nel periodo 2010-2022, che sarà il numero massimo di pazienti utilizzati per l'analisi. Tutte le immagini verranno scaricate dal PACS applicando filtri di anonimizzazione, con cartelle cliniche estratte mediante revisione di cartelle cliniche elettroniche e piani di radiazione. Verrà eseguita la pre-elaborazione delle immagini, che includerà lo stripping del cranio e la registrazione attraverso diverse modalità (ad esempio, MRI e TC) o diverse sequenze (ad esempio, T1C, T2W, ADC) utilizzando algoritmi rigidi o deformabili come meglio si adattano al caso modalità. La segmentazione delle immagini per classificare la regione di interesse verrà eseguita e verificata individualmente da un neuro-radiologo o da un medico di medicina nucleare, a seconda dei casi. Le segmentazioni verranno eseguite per identificare la regione di potenziamento del contrasto T1 (CE), le regioni di non potenziamento (NE) e la necrosi (NEC) guidate dalle aree T1-C, T2W e T2-FLAIR. I contorni e le immagini verranno ricampionati a una risoluzione uniforme per sequenze o modalità diverse (ad esempio, T2W/ADC/PET) per corrispondere alla sequenza 3D (ad esempio, sequenza FSPGR) o alle immagini disponibili con lo spessore della fetta minimo. Successivamente, le tecniche di normalizzazione (ad esempio, normalizzazione dell'istogramma/normalizzazione del punteggio Z) verranno intraprese all'interno delle singole immagini e nell'intero set di dati per tenere conto dell'eterogeneità dell'immagine, inclusa l'intensità del campo per la risonanza magnetica e diversi parametri di acquisizione dell'immagine. Per la segmentazione automatica verranno applicati algoritmi di apprendimento automatico sia supervisionati che non supervisionati. Per il modello supervisionato, l'intero database sarà suddiviso in gruppi di formazione e test rispettivamente per il modello e lo sviluppo dell'applicazione. L'efficacia del modello automatizzato verrà testata utilizzando il coefficiente di somiglianza dei dadi tra le regioni di segmentazione manuale e i segmenti basati sull'intelligenza artificiale. Per la prognosi dei gliomi, il passaggio successivo includerà l'estrazione delle caratteristiche, che consisterà in caratteristiche di primo ordine (inclusi forma, istogramma), secondo ordine o ordine superiore (ad esempio, diverse caratteristiche di trama come GLCM, GLDM, GLSZM, ecc.) o verranno impiegate tecniche di deep learning. La radiomica delta includerà cambiamenti temporali nelle caratteristiche radiomiche da diversi punti temporali per lo stesso paziente all'interno dell'intero volume e delle singole regioni. Successivamente, verranno utilizzate tecniche di riduzione e selezione delle caratteristiche come LASSO e l'eliminazione ricorsiva delle caratteristiche per selezionare il numero di caratteristiche in base alla dimensione del campione. I risultati saranno decisi in base alla modellizzazione definita per problemi di classe specifica (ad esempio, tumore vs edema, recidiva vs pseudo progressione, esiti, regione tumorale di interesse vs area non tumorale) come ottenuto dalle informazioni cliniche. Qualsiasi squilibrio di classe verrà affrontato utilizzando metodi come il campionamento di sottoinsiemi casuali o l'analisi SMOTE per l'aumento dei dati della classe minoritaria. Algoritmi di apprendimento automatico come LDA, k-NN, SVM, random forest, AdaBoost, ecc., verranno applicati singolarmente o in combinazione come un classificatore insieme per trovare il modello con le migliori prestazioni. I classificatori di deep learning verranno utilizzati insieme alla modellazione basata su funzionalità e confrontati per testare l'applicabilità del classificatore. Per valutare la stabilità del modello di apprendimento automatico verranno utilizzate tecniche di convalida come la convalida Leave-One-Out, la convalida K-fold e la suddivisione (in coorte di formazione e test). L'analisi radiomica sarà effettuata da data scientist/ricercatori dello studio con esperienza nell'analisi dei dati. Tutte le segmentazioni verranno eseguite su software open source come ITK snap (itksnap.org) o Affettatrice 3D (slicer.org). L'estrazione e la modellazione delle funzionalità verranno eseguite utilizzando software open source come Python (python.org). Con i continui progressi nella scienza computazionale, le nuove tecniche e piattaforme analitiche disponibili verranno applicate in modo appropriato dai collaboratori dell'Indian Statistical Institute, Calcutta, Machine Intelligence Unit condividendo i dati anonimizzati.