結腸腫瘍における人工インテリジェンスベースのラジオゲノミクス (ATTRACT)

ATTRACT 試験は、遡及部分と前向き部分で構成されます。 この試験の遡及部分では、ステージ II ～ III の結腸がん患者 300 人の放射線学、病理学、ゲノミクスデータを使用して、結腸腫瘍の遺伝的特徴とラジオミクス的特徴、および予測モデルの結果としての臨床エンドポイントを特定します。

腫瘍はCT画像上で手動でセグメント化され、AI（人工知能）モデルの生成に使用される。 病理学的注釈は、対応する匿名化されたプロファイルに関連付けられます。 免疫組織化学を使用してサンプルを 4 つの分子サブタイプに分類します。RNA-seq プロファイルも、遺伝子発現の評価と腫瘍変異負荷の評価用に特別に設計されたカスタム NGS (次世代シーケンシング) パネルを使用したターゲット トランスクリプトミクスを通じて組織サンプルから生成されます。 (TMB)。 生データは、トポロジカルパスウェイ解析を使用して処理およびモデル化され、関連する分子の特徴に従って患者を層別化し、特定の臨床的に関連するグループを識別するためのモデルをトレーニングするために使用される分子注釈を定義します。 生データと放射線データは、自動セグメンテーションとラジオゲノミクス シグネチャの抽出のための AI モデルの生成とトレーニングに使用されます。

ラジオミクスの特徴は、手動でセグメント化された腫瘍から抽出されます。 標準の PyRadiomics ツールとカスタムメイドのツールが使用されます。 特徴の堅牢性は、観測者間の統計的相関が高いもののみを選択することによって保証されます。 AI モデルの 2 つのファミリーが生成されます。1 つのファミリーはセグメンテーション専用であり、もう 1 つは利用可能な臨床、分子生物学、病理学的データに基づくラジオゲノミクスベースの表現型解析専用です。 2 つのファミリーは、ATTRACT AI モデルの作成のために融合されます。 これらのモデルの生成には、深層学習 (DL) と UNet や MaskNet などの人工知能に基づく特定の畳み込みニューラル ネットワーク (CNN) アーキテクチャが適用されます。 トレーニングは、手動の ROI (関心領域) セグメンテーションをグラウンド トゥルースとして使用して実行されます。 ラジオゲノミクス解析モデルの生成では、異なる多変量アルゴリズムを使用してラジオミクスとゲノム特徴が結合されます。 分類担当者は、がんのサブタイプと臨床エンドポイントを認識できるように訓練されます。

この試験の前向きの部分では、ステージ II ～ III の結腸がん患者が募集され、術前の造影 CT 検査を受ける予定です。 採用率は年間 70 名の患者、合計 210 名の患者となる予定です。 術前CT検査後、国際標準プロトコルに従って手術が行われます。 最終的には、現在のガイドラインに従って補助療法が検討されることになります。 登録予定者の病理学的サンプルが分析されます。 まず、RNA-seq データ、TMB (コーディング遺伝子の)、および臨床データを使用して、マルコフ クラスター アルゴリズム (MCL) と t-SNE (t 分布確率的近傍埋め込み) という 2 つの異なる技術を利用して患者をクラスター化します。レイヤネットワーククラスタリング。 患者はネットワークのノードとして表され、ノード間のエッジは Jaccard 類似度に従って重み付けされ、しきい値処理されます。 類似性は、遺伝子発現、TMB、およびトポロジカル パスウェイ分析からの摂動情報に基づいて計算されます。 クラスタリングの結果は、免疫組織化学から得られた結果と照合されます。臨床追跡データ（すなわち、 治療の結果など...) も利用可能になったら、学習を強制するためにワークフローに組み込まれます。 抽出された知識は、ラジオミクス分類のトレーニングと検証に使用されるデータセットに注釈を付けるために使用されます。 大腸がん (CRC) サブタイピング コンソーシアム (CRCSC) に従って、さまざまなトランスクリプトミクス分子サブタイプ (CMS1、CMS2、CMS3、CMS4) を抽出するために、肉眼的な検体が分析され、既存の遺伝子発現の中のコア サブタイプ パターンの有無が評価されます。ベースの CRC サブタイピング アルゴリズム。 プロトコール中の病理学的分子プロファイルとctDNA分析の間の一致は、CRCの治療と監視におけるアプローチの新しい全体診断モデルを提供するために、ラジオミクス分類に関連します。

予測データは AI モデルを検証するために使用されます。 セグメンテーション モデルの場合、ダイス係数は、自動セグメンテーションとエキスパート セグメンテーションの間の重複の程度を測定する指標として使用されます。 ラジオゲノミクス モデルの場合、精度、受信者操作者曲線下の積分 (ROC-AUC)、および臨床決定曲線を使用してパフォーマンスが評価されます。 研究者らは、最適な AI モデルを選択するために、入力特性の変化に対する応答も考慮し、分類に主に寄与した入力画像の特徴が強調表示される顕著性マップを作成します。

臨床評価は、2年間にわたって6か月ごとに実施されます。これには、ESMO（欧州のESMO）後の最初の3年間に再発リスクが高い患者に対して6～12か月ごとの定期的な血清CEA（癌胎児性抗原）検査と全身CTが含まれます。臨床腫瘍学会）のガイドラインにより、無病生存期間（DFS）と無再発生存期間（RFS）が計算されます。