RAdiogenomica basata sull’intelligenza artificiale nei tumori del colon (ATTRACT)

Lo studio ATTRACT consiste di una parte retrospettiva e di una prospettica. Nella parte retrospettiva dello studio, i dati radiologici, anatomopatologici e genomici di 300 pazienti con cancro del colon in stadio II-III verranno utilizzati per identificare le caratteristiche genetiche e radiomiche dei tumori del colon e gli endpoint clinici come risultati del modello predittivo.

I tumori verranno segmentati manualmente sulle immagini CT e utilizzati per la generazione del modello AI (intelligenza artificiale). Le annotazioni patologiche verranno associate ai corrispondenti profili anonimizzati. L'immunoistochimica verrà utilizzata per classificare i campioni nei 4 sottotipi molecolari in base. Verranno inoltre generati profili RNA-seq da campioni di tessuto attraverso trascrittomica mirata utilizzando pannelli NGS personalizzati (sequenziamento di prossima generazione) appositamente progettati per valutare l'espressione genica e valutare il carico mutazionale del tumore. (TMB). I dati grezzi verranno elaborati e modellati utilizzando l'analisi del percorso topologico per stratificare i pazienti in base alle caratteristiche molecolari rilevanti e definire annotazioni molecolari che verranno utilizzate per addestrare il modello per l'identificazione di specifici gruppi clinicamente rilevanti. I dati grezzi insieme ai dati radiologici verranno utilizzati per generare e addestrare i modelli AI per la segmentazione automatizzata e l'estrazione della firma radiogenomica.

Le caratteristiche radiomiche verranno estratte dai tumori segmentati manualmente. Verranno utilizzati strumenti standard di PyRadiomics e strumenti personalizzati. La robustezza delle caratteristiche sarà garantita selezionando solo quelle con un'elevata correlazione statistica tra osservatori. Verranno generate due famiglie di modelli AI, una famiglia dedicata alla segmentazione e l'altra dedicata alla fenotipizzazione basata sulla radiogenomica in base ai dati clinici, di biologia molecolare e patologici disponibili. Le due famiglie verranno fuse per la creazione del modello ATTRACT AI. Per la generazione di questi modelli verranno applicate specifiche architetture di reti neurali convoluzionali (CNN) basate sul deep learning (DL) e sull'intelligenza artificiale come UNet e MaskNet. La formazione verrà eseguita utilizzando le segmentazioni manuali della ROI (regione di interesse) come verità di base. Per la generazione di modelli di analisi radiogenomica, le caratteristiche radiomiche e genomiche verranno combinate utilizzando diversi algoritmi multivariati. Il classificatorio sarà addestrato a riconoscere i sottotipi di cancro e gli endpoint clinici.

Nella parte prospettica dello studio, verranno reclutati pazienti con cancro del colon in stadio II-III e sottoposti a un esame TC con mezzo di contrasto preoperatorio. Il tasso di reclutamento sarà di 70 pazienti all'anno, per un totale di 210 pazienti. Dopo la TC preoperatoria, l'intervento chirurgico verrà eseguito secondo i protocolli standard internazionali. Eventualmente verrà presa in considerazione la terapia adiuvante seguendo le attuali linee guida. Verrà analizzato il campione patologico del potenziale arruolamento. Innanzitutto, con i dati RNA-seq, TMB (dei geni codificanti) e dati clinici, i pazienti verranno raggruppati utilizzando due diverse tecniche dell'algoritmo Markov Cluster (MCL) e t-SNE (t-distributed stochastic neighbor embedding), Multi- Cluster di rete a strati. I pazienti saranno rappresentati come nodi di una rete, i bordi tra i nodi saranno pesati e sogliati secondo la somiglianza di Jaccard. La somiglianza verrà calcolata in base alle informazioni sull'espressione genica, sul TMB e sulle perturbazioni provenienti dall'analisi del percorso topologico. I risultati del clustering verranno confrontati con quelli provenienti dall'immunoistochimica. Dati di follow-up clinico (ad es. esito della terapia ecc...) sarà, una volta disponibile, anche inserito nel flusso di lavoro per rafforzare l'apprendimento. La conoscenza estratta verrà utilizzata per annotare il set di dati utilizzato per addestrare e convalidare la classificazione radiomica. Il campione lordo sarà analizzato al fine di estrarre diversi sottotipi molecolari trascrittomici (CMS1, CMS2, CMS3, CMS4) in accordo con il Colorectal Cancer (CRC) Subtyping Consortium (CRCSC) valutando la presenza o l'assenza di pattern di sottotipi core tra i modelli di espressione genica esistenti. algoritmi di sottotipizzazione basati su CRC. La concordanza tra il profilo molecolare patologico e l'analisi del ctDNA durante il protocollo sarà correlata alla classificazione radiomica al fine di fornire un nuovo modello di approccio diagnostico completo nel trattamento e nella sorveglianza del CRC.

I dati futuri verranno utilizzati per convalidare i modelli di intelligenza artificiale. Per i modelli di segmentazione, il coefficiente Dice verrà utilizzato come indicatore per misurare il grado di sovrapposizione tra la segmentazione automatizzata e quella esperta. Per il modello radiogenomico, le prestazioni saranno valutate utilizzando l'accuratezza, l'integrale sotto la curva dell'operatore ricevente (ROC-AUC) e la curva della decisione clinica. I ricercatori prenderanno inoltre in considerazione, per selezionare i migliori modelli di intelligenza artificiale, la risposta alla variazione delle caratteristiche di input e produrranno mappe di salienza in cui vengono evidenziate le caratteristiche dell'immagine di input che maggiormente hanno contribuito alla classificazione.

La valutazione clinica verrà eseguita ogni 6 mesi per 2 anni, compresi i test regolari del CEA (antigene carcinoembrionale) sierico e la TC del corpo intero ogni 6-12 mesi nei pazienti a più alto rischio di recidiva nei primi 3 anni successivi all'ESMO (European Society for Medical Oncology). Verranno calcolate la sopravvivenza libera da malattia (DFS) e la sopravvivenza libera da recidiva (RFS).