放射線分析を使用した神経膠腫の空間的および時間的特性評価 (GLIO-RAD)

提案された後ろ向き研究では、標準治療（治療前、術後、反応評価、監視）の一部として実施された画像（MRI、CT、またはPET）が分析されます。 TMC神経腫瘍DMGに登録された患者の記録を維持するDMGデータベースがスクリーニングされ、研究に適格な患者が特定されます。 年間約 500 ～ 600 件の神経膠腫が観察され、年間約 80 ～ 100 人の患者が治療前画像検査を受けているため、2010 ～ 2022 年には 1,000 人の患者が上限となると予想され、これが解析に使用される最大患者数となります。 すべての画像は匿名化フィルターを適用して PACS からダウンロードされ、電子医療記録と放射線計画のレビューによって臨床記録が抽出されます。 頭蓋骨剥離を含むイメージングの前処理が行われ、さまざまなモダリティ (MRI や CT など) またはさまざまなシーケンス (T1C、T2W、ADC など) にわたる位置合わせが、患者に最適な剛性または変形可能なアルゴリズムを使用して行われます。モダリティ。 関心領域を分類するための画像セグメンテーションは、必要に応じて神経放射線科医または核医学医師によって個別に実行および検証されます。 セグメンテーションは、T1-C、T2W、および T2-FLAIR 領域に基づいて、T1 コントラスト強調領域 (CE)、非強調領域 (NE)、および壊死 (NEC) を識別するために実行されます。 輪郭と画像は、3D シーケンス (FSPGR シーケンスなど) または最小スライス厚の利用可能な画像と一致するように、さまざまなシーケンスまたはモダリティ (T2W/ADC/PET など) の均一な解像度にリサンプリングされます。 続いて、MRI の磁場強度やさまざまな画像取得パラメータなどの画像の不均一性を考慮して、個々の画像内およびデータセット全体にわたって正規化手法 (例: ヒストグラム正規化/Z スコア正規化) が実行されます。 自動セグメンテーションの場合、教師あり機械学習アルゴリズムと教師なし機械学習アルゴリズムの両方が適用されます。 教師ありモデルの場合、データベース全体がモデル開発用のトレーニング コホートとアプリケーション開発用のテスト コホートに分割されます。 自動化モデルの有効性は、手動セグメンテーション領域と AI ベースのセグメント間のサイコロ類似係数を使用してテストされます。 神経膠腫の予測の場合、次のステップには特徴抽出が含まれます。特徴抽出は、一次 (形状、ヒストグラムを含む)、二次または高次 (例: GLCM、GLDM、GLSZM などのさまざまなテクスチャ特徴) で構成されます。 、または深層学習技術が採用されます。 デルタラジオミクスには、ボリューム全体および個々の領域内の同じ患者の異なる時点からのラジオミクス特徴の時間的変化が含まれます。 その後、LASSO、再帰的特徴除去などの特徴削減および選択手法を使用して、サンプル サイズに応じて特徴の数を最終リストに絞り込みます。 出力は、臨床情報から得られた特定のクラスの問題 (腫瘍対浮腫、再発対偽進行、転帰、腫瘍関心領域対非腫瘍領域など) に対して定義されたモデリングに基づいて決定されます。 クラスの不均衡は、ランダムなサブセット サンプリングや少数クラスのデータ増強のための SMOTE 分析などの方法を使用して対処されます。 LDA、k-NN、SVM、ランダム フォレスト、AdaBoost などの機械学習アルゴリズムが単独で適用されるか、アンサンブル分類器として組み合わせて適用され、最高のパフォーマンスを持つモデルが見つかります。 深層学習分類器は特徴ベースのモデリングとともに使用され、分類器の適用性をテストするために比較されます。 機械学習モデルの安定性を評価するには、leave-one-out 検証、k 分割検証、(トレーニング コホートとテスト コホートへの) 分割などの検証手法が使用されます。 放射性物質分析は、データ分析の専門知識を持つデータサイエンティスト/研究調査員によって行われます。 すべてのセグメンテーションは、ITK snap (itksnap.org) などのオープンソース ソフトウェアで行われます。 または 3D スライサー (slicer.org)。 特徴抽出とモデリングは、Python (python.org) などのオープンソース ソフトウェアを使用して行われます。 計算科学の継続的な進歩に伴い、コルカタにあるインド統計研究所のマシン インテリジェンス ユニットの協力者によって、匿名化されたデータを共有することにより、利用可能な新しい分析技術とプラットフォームが必要に応じて適用されます。