Intelligenza artificiale nella radioterapia oncologica del sistema nervoso centrale (AI-RAD)

Nello studio retrospettivo proposto saranno inclusi pazienti trattati con radioterapia (RT) per tumori del sistema nervoso centrale (SNC). Il database DMG che conserva i record dei pazienti registrati e trattati nel reparto di neuro oncologia DMG (Disease Management Group) del TMC (Tata Memorial Centre) sarà sottoposto a screening per identificare i pazienti idonei per lo studio. Con circa 500-600 pazienti con tumori del sistema nervoso centrale trattati con RT in TMC ogni anno, ci aspettiamo un tetto di 6000 pazienti nel periodo 2010-2022, che sarà il numero massimo di pazienti utilizzati per l'analisi. Verranno analizzate le immagini (TC, MRI, PET) utilizzate per la pianificazione della RT, l'imaging a metà trattamento come parte dell'IGRT (radioterapia guidata da immagini) o la valutazione della malattia e la valutazione della risposta/sorveglianza post-RT. I piani di radiazione e l'istogramma dose-volume saranno ottenuti dal TPS (Treatment Planning System). Tutte le immagini e i dati relativi alle radiazioni verranno scaricati dal PACS (Picture Archiving and Communication System) e dal TPS, applicando filtri di anonimizzazione. Le caratteristiche cliniche (paziente, malattia, caratteristiche correlate al trattamento ed esiti) verranno estratte mediante revisione delle cartelle cliniche elettroniche. 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. I volumi target, ovvero volume tumorale lordo (GTV), volume target clinico (CTV) e volume target di pianificazione (PTV) e OAR saranno esaminati individualmente da radioterapisti con le modifiche applicate in modo appropriato (ad es., esclusione degli OAR (organi) a rischio) distorti da malattie o interventi chirurgici) e verranno utilizzati per addestrare i modelli di machine learning per l’apprendimento supervisionato. 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 l'autosegmentazione 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. Poiché gli OAR sono applicabili in modo uniforme per diverse istologia o siti tumorali, l'addestramento all'autosegmentazione verrà applicato all'intero set di dati. Tuttavia, poiché esistono variazioni nella delineazione del volume target (ad esempio, per tumori circoscritti o diffusi, a basso grado o ad alto grado), l'addestramento/test per i TV sarà applicabile alle singole entità patologiche. 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 previsione dei risultati (ad esempio, sopravvivenza e tossicità), il passo successivo includerà l'estrazione delle caratteristiche dalle immagini (CT, MRI, PET) corrispondenti a diversi TV e OAR e dati di distribuzione della dose RT convertiti in dati volumetrici di immagine/numero (dosiomica), che sarà costituito da elementi di primo ordine (inclusi forma, istogramma), di secondo ordine o di 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 pseudoprogressione, 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). Come obiettivo terziario del progetto, svilupperemo un protocollo per l'archiviazione anonima dei dati (informazioni cliniche, immagini di pianificazione delle radiazioni e di valutazione della risposta, dati di pianificazione delle radiazioni, immagini intra-trattamento come la tomografia computerizzata a fascio conico) in un archivio di biobanca di immagini protetto con protezione spazio nuvola. Inoltre, verranno sviluppati algoritmi di elaborazione del linguaggio naturale (NLP) per addestrare e convalidare il modello per l'estrazione e la documentazione delle variabili cliniche estratte per lo studio. Con i continui progressi nella scienza computazionale, le nuove tecniche e piattaforme analitiche disponibili verranno applicate in modo appropriato dai collaboratori del Bhabha Atomic Research Centre, Mumbai, condividendo dati anonimi.