CNS放射線腫瘍学における人工知能 (AI-RAD)

提案された後ろ向き研究には、中枢神経系（CNS）腫瘍に対する放射線療法（RT）で治療された患者が含まれる予定である。 TMC（タタ記念センター）神経腫瘍学DMG（疾患管理グループ）に登録され治療された患者の記録を保持するDMGデータベースがスクリーニングされ、研究の対象となる患者が特定されます。 TMC では毎年約 500 ～ 600 人の CNS 腫瘍患者が RT 治療を受けており、2010 ～ 2022 年には 6,000 人の患者が上限となると予想されており、これが解析に使用される最大患者数となります。 RT 計画、IGRT (画像誘導放射線療法) または疾患評価の一部としての治療中画像処理、および RT 後の反応評価/監視に使用される画像 (CT、MRI、PET) が分析されます。 放射線計画と線量と線量のヒストグラムは、TPS (治療計画システム) から取得されます。 すべての画像と放射線関連データは、匿名化フィルターを適用して、PACS (画像アーカイブおよび通信システム) および TPS からダウンロードされます。 臨床的特徴 (患者、疾患、治療関連の特徴、および転帰) は、電子医療記録のレビューによって抽出されます。 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。 目標体積、すなわち、総腫瘍体積（GTV）、臨床目標体積（CTV）、計画目標体積（PTV）、およびOARは、放射線腫瘍医によって個別に検討され、必要に応じて修正が適用されます（例：OAR（臓器）の除外）。リスクにさらされている（病気や手術によって歪められている）ものであり、教師あり学習用の機械学習モデルをトレーニングするために使用されます。 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。 その後、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。 OAR はさまざまな組織学や腫瘍部位に均一に適用できるため、自動セグメンテーション トレーニングはデータセット全体に適用されます。 ただし、ターゲットボリュームの描写にはばらつきがあるため（例えば、境界腫瘍とびまん性腫瘍、低悪性度対高悪性度）、TV のトレーニング/テストは個々の疾患実体に適用できます。 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。 転帰予測（生存率や毒性など）の場合、次のステップには、さまざまな TV および OAR に対応する画像（CT、MRI、PET）からの特徴抽出と、体積画像/数値データ（線量学）に変換された RT 線量分布データが含まれます。は、一次（形状、ヒストグラムを含む）、二次またはそれ以上の次数（たとえば、GLCM、GLDM、GLSZM などのさまざまなテクスチャ特徴）で構成され、または深層学習技術が使用されます。 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は、単独で、または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を見つけます。 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)。 特徴の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。 プロジェクトの第 3 の目的として、安全な画像バイオバンク リポジトリに匿名化されたデータ (臨床情報、放射線計画と反応評価画像、放射線計画データ、コーンビーム コンピュータ断層撮影などの画像) を保管するためのプロトコルを開発します。クラウドスペース。 また、抽出用モデルのトレーニングと検証、および研究用に抽出された臨床変数の文書化を行うための自然言語処理 (NLP) アルゴリズムも開発されます。 計算科学の継続的な進歩に伴い、利用可能な新しい分析技術とプラットフォームは、ムンバイのバーバ原子研究センター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、必要に応じて適用されます。