소아 및 청소년 뇌실막종의 방사선 저항성에 대한 다항적 접근 (EPENDYMOMICS)

치료에 대한 저항으로 인해 국가 PEPPI 연구(Pediatric Ependymoma Photons Protons and Imaging)를 수행하게 되었습니다. PEPPI는 2000년에서 2013년 사이에 프랑스에서 치료받은 두개내 뇌실막세포종 어린이의 임상, 영상 및 선량 측정 데이터를 수집했습니다. 그 이후로 환자는 현재의 전향적 SIOP II Ependymoma 프로그램에서 치료를 받습니다. 우리의 임상 결과는 방사선 요법 선량을 포함한 고전적인 임상 예후 인자를 확인했으며 T2/FLAIR, 관류 및 확산 MRI의 이미징 바이오 마커가 새로운 예후 인자임을 보여주었습니다. 우리는 RT 후 재발이 주로 고용량 지역 내에서 국부적으로 발생한다고 보고했습니다. 선량의 예후적 가치와 표준 선량의 높은 재발률로 인해 광자와 양성자를 비교하는 선량 증가에 대한 in silico 선량 측정 연구를 수행하여 이 접근법의 타당성을 확인했습니다. PEPPI 시리즈에서는 영상 데이터의 샘플이 적고 최근의 생체분자 분류가 불가능하여 고급 MR 영상으로 재발 부위를 예측할 수 없었습니다. 최근에, DNA 메틸화 프로파일링은 강력한 예후적 가치를 지닌 분자 소그룹에서 상의세포종의 새로운 분류를 제공했습니다.

EPENDYMOMICS 프로젝트는 다중 모드 이미징의 예후적 역할을 결정하고, 재발을 예측하는 방사선 내성 클러스터를 식별하고, 방사성 특징과 게놈 마커 사이의 연결을 분석하여 방사성 유전체학 연구로 이끄는 것을 목표로 합니다. NETSPARE(뇌실막종에 대한 연구를 가속화하기 위해 소아 데이터를 구조화하고 공유하는 네트워크)라는 더 많은 수의 환자가 있는 데이터베이스를 기반으로 방사성 접근 방식을 개발합니다. 또는 자동화된 특징 추출 알고리즘. 이러한 기능은 개선된 의사 결정 지원으로 사용 가능한 다른 변수(임상, 유전 등)와 결합되고 활용될 것입니다.

1. 데이터 수집 MRI: 진단, 재발까지의 FU(DICOM 형식)

   - 시퀀스: T1W, T2W, FLAIR, T1W(조영 증강 포함 및 미포함), DWI(확산 강조 영상), PWI(관류 강조 영상) 방사선 요법: CT 스캔, RTDOSE, RTSS, RTPLAN(DICOM RT 형식) 임상: 연령, 수술, 화학 요법, 용량, 지연 효과, 재발 날짜 조직학: 헤마톡실린 및 에오신(H&E) 염색 조직병리학 슬라이드 분자 생물학: 메틸화 그룹 RELA, YAP, PFA 및 PFB

2. 후처리 및 분석 전에 데이터를 선별하기 위해 데이터 품질 확인 및 관심 볼륨 설명.

   강력한 예비 이미지 분할을 보장하기 위해 각 환자에 대해 방사선 치료 구조 세트를 확인합니다. 의뢰한 방사선 전문의는 RT 후 모든 영상 변화를 확인할 것입니다. 전문 방사선 종양학자는 조영 후 T1WI, T2W/FLAIR 영상, 재발 부위 및 누락된 OAR의 치료 후 이상 부피를 분류할 것입니다.

3. 영상 데이터 후처리 및 방사선 치료 후 변화 분석 Olea Sphere®3.0으로 DWI 및 PWI를 처리합니다. MRI 및 CT 스캐너를 위한 후처리 솔루션인 소프트웨어. 복셀 단위로 계산된 DWI 데이터와 PWI 데이터에서 계산된 상대 대뇌 혈액량 맵에서 진동 지수 특이값 분해 루틴 및 T1 가중 누출 효과 보정을 통해 겉보기 확산 계수 맵을 추출하고 생성합니다.

   모든 MRI 데이터는 T1WI-PC 및 계획 CT와 엄격하게 공동 등록됩니다.

4. Radiomics 조화 우리는 다중 소스로 인해 매우 이질적인 데이터 세트에서 이미지 및/또는 추출된 기능의 조화 수준을 높일 것입니다.

   우리는 GAN 기반 프레임워크를 개발하여 템플릿 참조 이미지 또는 참조로 선택된 이미지 세트와 같은 표준 데이터 세트의 속성과 일치하도록 이기종 이미지를 변환합니다. 이미지 내의 관련 속성(로컬 또는 글로벌 메트릭, 텍스처, 가장자리, 대비, 신호 대 잡음비 등)을 결정하고 프레임워크가 임상적으로 관련된 정보 및 콘텐츠를 잃지 않고 이미지를 조화시키는 기능을 보장해야 합니다. .

   기능 공간에서는 정규화 또는 배치 효과 보상과 같은 다양한 통계적 접근 방식을 적용할 수 있습니다. ComBat은 다른 유사한 접근 방식을 능가하는 것으로 나타났으며 작은 샘플에 대해서는 Monte Carlo 추정에 의존할 것입니다. 매우 높은 이질성과 배치당 매우 적은 수의 샘플을 나타내는 데이터를 처리하기 위해 배치 수정 방법과 감독되지 않은 클러스터링의 조합을 조사할 것입니다.

   다기관 방사성 연구 결과를 개선하기 위해 이미지 기반 및 기능 기반 조화 방법론을 결합하는 것이 유익하고 보완적일 수 있습니다. 결과를 개선하는 데 있어 이전에 개발된 두 가지 접근 방식의 잠재적인 추가 이점을 평가할 것입니다. 이 작업의 목표는 결과에서 관찰된 절대적인 개선뿐만 아니라, 실제로 각 접근 방식을 구현하십시오.

5. 생체분자 분석 환자의 PEPPI 및 SIOPII 뇌실막종 코호트의 생물학적 자원이 포함될 것입니다. 먼저 두개내 뇌실막종의 진단을 확인한 다음 병리학적 특징을 조사합니다.

   WHO 2020 상의세포종 분류: cIMPACT-NOW(CNS 종양 분류학에 대한 분자 및 실제적 접근을 알리는 컨소시엄 - 공식 WHO 아님)는 위치 및 근본적인 유전적 변형에 따라 뇌세포종을 분류하기로 결정했습니다. 현재 WHO 분류는 개정 중입니다.

   프로젝트의 두개내 상의세포종을 분류하는 데 필요한 생물학적 연구:

   면역조직화학: p65-RelA, H3K27Me3. FISH 분석(분류 및 복제 수 변이). DNA-메틸화 프로파일링. RNAseq 분석.

6. 상의세포종의 분자 바이오마커에 대한 딥 러닝(DL) 이를 위해 Zimmer 팀은 신경교종 등급 III 및 IV에서 상의세포종을 구별하기 위해 Inception V3 아키텍처를 기반으로 하는 심층 컨벌루션 신경망을 설계하고 훈련했습니다. 이미징 데이터 세트를 기반으로 한 예비 결과는 높은 식별 정확도를 나타내며 H&E 이미지 단독(준비 중인 원고)에서 임상적으로 관련된 돌연변이를 예측할 수 있는 가능성을 제시합니다.

   치료 및 전이에 대한 내성을 예측하기 위해 이러한 DL 접근법을 확장할 것입니다. 이것은 입력으로 단독으로 또는 분자 분석에 기반한 분류와 조합하여 조직병리학 이미지를 사용하여 수행됩니다. 기술적인 수준에서 우리는 컨볼루션 레이어와 건너뛰기 연결을 기반으로 하는 최첨단 심층 신경망 아키텍처를 사용할 것입니다. 훈련 데이터 세트의 적당한 크기를 보상하기 위해 전이 학습을 많이 사용할 것입니다. 여기서 우리는 유방암과 같은 매우 다른 암의 이미지를 포함하는 TGCA 데이터베이스를 구체적으로 사용하고 이 연구에서 획득한 상의세포종 데이터의 하위 집합을 재훈련하여 성공적인 모델을 적용할 것입니다. 또한 세포 및 조직 수준에서 이미지 정보를 더 잘 활용하기 위해 다중 스케일 이미지 표현을 채택하고, H&E 특정 색상 정규화 및 이미징 인공물의 영향을 받는 영역을 자동으로 제거하는 방법을 사용할 것입니다. 우리는 또한 Imjoy에서 개발된 방법을 통합할 것입니다. 컴퓨팅 백엔드에서 그래픽 사용자 인터페이스를 분리함으로써 사용자가 모든 워크스테이션 또는 랩톱에서 고급 컴퓨팅 기능에 액세스할 수 있습니다.

7. 통계 분석 몇 가지 서명이 개발되고 검증됩니다: 방사성 서명(RAD-Score), 방사성 및 임상 서명(RADClin-Score), 분자 서명(MOL-score) 및 전체 서명(방사성, 분자 및 임상 서명) .

   • 무진행 생존(PFS)과 관련된 RAD-점수. 편견을 피하기 위해 독립 코호트를 포함한 후향적 다기관 연구에서 구축된 NETSPARE는 훈련 코호트입니다. 방사성 서명의 성능을 테스트하기 위한 검증 코호트는 SIOP II 프로그램의 영국 코호트(n=220)에 해당합니다. 이 구분은 외부 검증을 허용합니다.

교육 코호트: PFS 중앙값은 문헌에서 5년으로 추정됩니다. 이는 62%의 3.5년 PFS에 해당합니다. 370명의 환자와 중앙값 3.5년의 추적 조사를 통해 최소 120개의 이벤트가 예상됩니다. 관심 변수당 10개의 이벤트를 권장하는 경험 법칙에 따라 10개의 변수를 결합한 다중 매개변수 모델을 훈련할 수 있습니다. 불이익 접근법을 기반으로 하는 대체 모델링 전략은 이미징 매개변수와 PFS 사이의 연관성을 연구하는 데 사용됩니다. 이미징 바이오마커 데이터가 샘플 크기를 훨씬 초과하고 상호 연관되어 있기 때문에 그룹화 효과를 장려하고 설명 변수를 선택하여 변수의 정규화 및 선택에 불이익 방법(이전에 공간 데이터와 다른 상황에서 사용됨)이 사용될 것입니다.

검증 코호트: 66개의 이벤트가 예상됩니다. 이 이벤트 수를 사용하면 80% 검정력으로 저위험 그룹과 고위험 그룹 사이의 위험 비율 0.5를 감지할 수 있습니다(Logrank 테스트 양면 0.05).

인구 통계 데이터: 연속 변수는 중앙값, 최소값, 최대값 및 사용 가능한 관찰 수를 사용하여 코호트별로 요약됩니다. 질적 변수는 개수, 백분율 및 누락된 데이터 수를 사용하여 요약됩니다. 코호트 간의 비교는 정성적 변수에 대한 카이제곱 검정(또는 적용 가능한 경우 피셔 정확 검정)과 정량적 변수에 대한 Mann-Whitney 검정을 사용하여 수행됩니다.

- Radiomics 시그니처 개발 및 검증: 이미징 기능과 PFS 간의 연관성을 연구하기 위해 페널티가 적용된 Cox 회귀 모델을 기반으로 하는 대체 모델링 전략을 사용합니다. Elastic Net 방식은 그룹화 효과를 유도하고 설명 변수를 선택합니다. 10겹 교차 검증을 수행하여 최상의 패널티 매개변수 람다를 선택합니다. Elastic net 방식의 또 다른 파라미터인 mixing 파라미터 α는 기본값 0.5로 설정됩니다. 다양한 변수의 각 상태와 관련된 회귀 계수는 RAD 점수를 결정하는 데 사용됩니다. 결과가 시간 의존적이기 때문에 위험 점수는 시간 의존적 ROC 곡선을 사용하여 이분화되어 분류자를 얻습니다(위험 그룹: 불량 대 중간 대 양호한 예후). 최적의 임계값은 3년에 최소 80%의 민감도와 최상의 특이성을 얻기 위해 결정되었습니다.

간격 유효성 검사는 leave k-out 교차 유효성 검사를 사용하여 수행됩니다. 그런 다음 RAD 점수 서명을 유효성 검사 코호트에 적용합니다. 점수의 성능은 다양한 기준을 사용하여 평가됩니다: Kaplan-Meier 생존 곡선 및 위험비(HR) 추정을 사용하여 평가된 예후 계층화의 단조성, Harrell's C-Index 및 D 통계로 평가된 차별, 모델의 품질 및 비율 AIC(Akaike Information Criterion) 및 RD² 통계에 의해 각각 추정된 설명 변동의. 처음 3년 동안 재발 위험이 높은 환자를 식별하는 예후 점수의 능력은 시간 종속 ROC 곡선을 사용하여 민감도, 특이도 및 예측 값을 결정하여 평가됩니다.

- RADClin-Score 개발 및 검증: 임상 및 이미징 정보를 통합하기 위해 글로벌 예측 모델에서 저차원 임상 및 고차원 이미징 데이터를 결합합니다. 먼저 이미징 기능을 완전히 무시합니다. Cox 모델은 PFS와 관련된 임상 공변량을 식별하기 위해 적합합니다. 회귀 계수를 사용하여 임상 선형 예측기를 구축합니다. 다음으로, 오프셋에서 임상 선형 예측기와 함께 Elastic Net을 사용하여 이미징 기능을 식별합니다. 마지막으로 회귀 계수를 사용하여 RADClin-Score를 계산합니다. RADClin-Score 및 RAD-Score와 기능 선택을 비교하기 위해 Venn 다이어그램을 그릴 것입니다. 이전에 제시된 다양한 기준을 사용하여 모델을 비교할 것입니다.