小児および青年における上衣腫の放射線抵抗性に対するマルチオミクスアプローチ (EPENDYMOMICS)

治療への抵抗により、私たちは全国的なPEPPI研究（小児上衣腫の光子陽子と画像）を実施するようになりました。 PEPPI は、2000 年から 2013 年の間にフランスで治療を受けた頭蓋内上衣腫の小児の臨床データ、画像データ、および線量測定データを照合しました。 それ以来、患者は現在の前向き SIOP II 上衣腫プログラムで治療されています。 私たちの臨床結果は、放射線療法の線量を含む古典的な臨床予後因子を確認し、T2 / FLAIR、灌流および拡散MRIからのイメージングバイオマーカーが新しい予後因子であることを示しました。 RT後の再発は、主に高線量領域内で局所的に発生することを報告しました。 線量の予後的価値と標準線量での高い再発率により、光子と陽子を比較する線量増加の in silico 線量測定研究を実施するようになり、このアプローチの実現可能性が確認されました。 PEPPI シリーズでは、高度な MR イメージングによる再発部位の予測は、イメージング データのサンプルが少なく、最近の生体分子分類が利用できなかったために不可能でした。 最近、DNAメチル化プロファイリングにより、強力な予後的価値のある分子サブグループにおける上衣腫の新しい分類が提供されました。

EPENDYMOMICS プロジェクトは、マルチモーダル イメージングの予後的役割を決定し、再発を予測する放射線耐性クラスターを特定し、ラジオミクスの特徴とゲノム マーカーとの関連性を分析することを目的としており、それによってラジオゲノミクス研究につながります。 これは、NETSPARE（上衣腫の研究を加速するための小児データを構造化および共有するネットワーク）と呼ばれる多数の患者を含むデータベースに基づいて構築され、ラジオミクスアプローチを開発します。または自動特徴抽出アルゴリズム。 これらの機能は、改善された意思決定支援として活用され、他の利用可能な変数 (臨床、遺伝など) と組み合わされます。

1. データ収集 MRI：診断、再発までのFU（DICOM形式）

   - シーケンス: T1W、T2W、FLAIR、T1W コントラスト強調あり/なし、拡散強調画像 (DWI)、灌流強調画像 (PWI) 放射線療法: CT スキャン、RTDOSE、RTSS、RTPLAN (DICOM RT 形式) 臨床: 年齢、手術、化学療法、投与量、晩期障害、再発日

2. 後処理と分析の前にデータをキュレートするためのデータ品質チェックと対象ボリュームの描写。

   予備的な堅牢な画像セグメンテーションを確実にするために、各患者の放射線治療構造セットがチェックされます。 紹介放射線科医は、RT 後にすべての画像の変更を確認します。 専門の放射線腫瘍医は、T1WI ポスト コントラスト、T2W/FLAIR イメージング、および再発部位と OAR の欠落における治療後の異常のボリュームをセグメント化します。

3. 画像データの後処理と放射線治療後の変化の分析 Olea Sphere®3.0 で DWI と PWI を処理します ソフトウェア、MRI および CT スキャナーの後処理ソリューション。 ボクセルごとに計算された DWI データから見かけの拡散係数マップを抽出して生成し、PWI データから計算された相対的な脳血液量マップを、振動指数特異値分解ルーチンと T1 加重漏出効果の補正を使用して抽出および生成します。

   すべての MRI データは、T1WI-PC および計画 CT と厳密に共同登録されます。

4. ラジオミクスのハーモナイゼーション 画像や抽出された特徴のハーモナイゼーションのレベルの増加を、その複数のソースのために非常に不均一なデータセットで実行します。

   GAN ベースのフレームワークを開発し、異種の画像を変換して、テンプレート参照画像などの標準データセットのプロパティ、または参照として選択された 1 セットの画像を一致させます。 画像内の関連するプロパティ (ローカルまたはグローバル メトリック、テクスチャ、エッジ、コントラスト、信号対雑音比など) を決定し、臨床的に関連する情報やコンテンツを失うことなく画像を調和させるフレームワークの機能を確保する必要があります。 .

   機能空間では、正規化やバッチ効果補正など、多数の統計的アプローチを適用できます。 ComBat は他の同様のアプローチよりも優れていることが示されているため、小さなサンプルについてはモンテカルロ推定に依存します。 非常に高い不均一性とバッチあたりのサンプル数が非常に少ないデータを処理するために、バッチ補正方法と教師なしクラスタリングの組み合わせを調査します。

   多施設ラジオミクス研究の結果を改善するために、画像ベースと機能ベースの調和方法論を組み合わせることが有益であり、補完的である可能性があります。 結果を改善するために、以前に開発された両方のアプローチの潜在的な追加の利点を評価します。 このタスクの目標は、結果で観察された絶対的な改善だけでなく、計算に必要な時間と労力を考慮して、最初のアプローチと 2 番目のアプローチ (または両方の組み合わせ) のどちらが最も効率的であるかを確認することです。それぞれのアプローチを実践します。

5. 生体分子分析 患者の PEPPI および SIOPII 上衣腫コホートからの生物学的リソースが含まれます。 まず、頭蓋内上衣腫の診断が確定され、次に病理学的特徴が調査されます。

   上衣腫の 2020 年の WHO 分類: cIMPACT-NOW (CNS 腫瘍分類法への分子的および実践的アプローチを通知するためのコンソーシアム - 非公式の WHO) は、位置と根底にある遺伝子変化に従って上衣腫を分類することを決定しました。 現在の WHO 分類は改訂中です。

   プロジェクトの頭蓋内上衣腫を分類するために必要な生物学的研究：

   免疫組織化学: p65-RelA、H3K27Me3。 FISH 分析 (分類およびコピー数の変動)。 DNAメチル化プロファイリング。 RNAseq分析。

6. 上衣腫の分子バイオマーカーのための深層学習 (DL) この目的のために、Zimmer チームは、上衣腫をグレード III および IV の神経膠腫と区別するために、Inception V3 アーキテクチャに基づく深い畳み込みニューラル ネットワークを設計およびトレーニングしました。 画像データセットに基づく予備的な結果は、識別の精度が高いことを示しており、H&E 画像のみから臨床的に関連する変異を予測できる可能性を示唆しています (原稿準備中)。

   これらの DL アプローチを拡張して、治療に対する耐性と転移を予測します。 これは、入力として、または分子アッセイに基づく分類と組み合わせて、組織病理画像を単独で使用することによって行われます。 技術レベルでは、畳み込み層とスキップ接続に基づく最先端のディープ ニューラル ネットワーク アーキテクチャを使用します。 トレーニング データ セットの適度なサイズを補うために、転移学習を多用します。 ここでは、乳がんなどの非常に異なるがんからの画像を含む TGCA データベースを具体的に使用し、この研究で取得した上衣腫データのサブセットを再トレーニングすることにより、成功したモデルを適応させます。 また、細胞および組織レベルでの画像情報のより良い活用のためにマルチスケール画像表現を採用し、H&E 固有の色の正規化と、画像アーチファクトの対象となる領域の自動除去のための方法を使用します。 開発したメソッドを Imjoy にも組み込みます。 グラフィカル ユーザー インターフェイスを計算バックエンドから切り離すことで、ユーザーは任意のワークステーションやラップトップからハイエンド コンピューティング機能にアクセスできます。

7. 統計分析 いくつかのシグネチャが開発され、検証されます: 放射能シグネチャ (RAD-スコア)、放射能および臨床シグネチャ (RADClin-スコア)、分子シグネチャ (MOL-スコア)、およびグローバルシグネチャ (放射能、分子および臨床シグネチャ) .

   • 無増悪生存期間 (PFS) に関連する RAD スコア。 バイアスを避けるために、独立したコホートを含むレトロスペクティブな多施設研究から構築された NETSPARE はトレーニング コホートです。 ラジオミック シグネチャの性能をテストするための検証コホートは、SIOP II プログラムの英国コホートに対応します (n=220)。 この分割により、外部検証が可能になります。

トレーニング コホート: PFS の中央値は文献で 5 年と推定されます。 これは、3.5 年 PFS の 62% に相当します。 370 人の患者と中央値 3.5 年の追跡調査により、少なくとも 120 のイベントが予想されます。 関心のある変数ごとに 10 個のイベントを推奨する経験則に従って、10 個の変数を組み合わせたマルチパラメータ モデルをトレーニングできます。 ペナルティ付きアプローチに基づく代替モデリング戦略を使用して、画像パラメータと PFS の関連性を研究します。 イメージング バイオマーカー データはサンプル サイズをはるかに超えており、相互に相関しているため、グループ化効果を促進し、説明変数を選択することにより、変数の正則化と選択にペナルティ付きの方法 (以前は空間データのさまざまな状況で使用されていました) が使用されます。

検証コホート: 66 のイベントが予想されます。 このイベント数では、80% の検出力で、低リスク グループと高リスク グループの間で 0.5 のハザード比を検出できます (ログランク検定両側 0.05)。

人口統計データ: 連続変数は、利用可能な観測値の中央値、最小値、最大値、および数を使用して、コホートごとに要約されます。 質的変数は、カウント、パーセンテージ、および欠損データの数を使用して要約されます。 コホート間の比較は、質的変数にはカイ二乗検定 (または該当する場合はフィッシャーの正確確率検定) を使用し、量的変数にはマンホイットニー検定を使用して実行されます。

- Radiomics シグネチャの開発と検証: イメージング機能と PFS との関連を調べるために、ペナルティ付き Cox 回帰モデルに基づく代替モデリング戦略を使用します。 Elastic Net メソッドは、グループ化効果を促進し、説明変数を選択します。 最適なペナルティ パラメータ ラムダを選択するために、10 分割の交差検証を実行します。 エラスティック ネット法のもう 1 つのパラメータであるミキシング パラメータ α は、デフォルト値の 0.5 に設定されます。 RAD スコアを決定するために、さまざまな変数の各状態に関連付けられた回帰係数が使用されます。 結果は時間依存であるため、時間依存 ROC 曲線を使用してリスク スコアを二分し、分類子を取得します (リスク グループ: 不良 vs 中間 vs 予後良好)。 最適なしきい値は、3 年で少なくとも 80% の感度と最高の特異性を得るために決定されています。

leave k-out 交差検証を使用して間隔検証が実行されます。 次に、RAD スコア署名を検証コホートに適用します。 スコアのパフォーマンスは、さまざまな基準を使用して評価されます: カプラン-マイヤー生存曲線とハザード比 (HR) 推定を使用して評価された予後層別化の単調性、ハレルの C インデックスと D 統計によって評価された差別、モデルの品質と割合それぞれ、赤池情報量基準 (AIC) および RD² 統計によって推定された説明された変動の。 最初の 3 年間に再発のリスクが高い患者を識別する予後スコアの能力は、時間依存 ROC 曲線を使用して感度、特異性、および予測値を決定することによって評価されます。

- RADClin-Score の開発と検証: 臨床情報と画像情報を組み込むために、低次元の臨床画像データと高次元画像データの両方をグローバルな予測モデルに結合します。 まず、イメージング機能を完全に無視します。 Cox モデルは、PFS に関連する臨床共変量を識別するために適合されます。 回帰係数を使用して臨床線形予測因子を構築します。 次に、Elastic Net をオフセットの臨床線形予測子とともに使用して、画像の特徴を識別します。 最後に、回帰係数を使用して RADClin-Score を計算します。 機能選択を RADClin-Score および RAD-Score と比較するために、ベン図をプロットします。 前述のさまざまな基準を使用してモデルを比較します。