CNS 방사선 종양학의 인공 지능 (AI-RAD)

제안된 후향적 연구에는 중추신경계(CNS) 종양에 대해 방사선요법(RT) 치료를 받은 환자가 포함됩니다. TMC(Tata Memorial Centre) 신경종양학 DMG(질병 관리 그룹)에 등록 및 치료된 환자의 기록을 유지하는 DMG 데이터베이스를 검사하여 연구에 적합한 환자를 식별합니다. 매년 약 500~600명의 CNS 종양 환자가 TMC에서 RT로 치료를 받고 있으며, 2010~2022년에는 최대 6000명의 환자가 분석에 사용되는 최대 환자 수일 것으로 예상됩니다. RT 계획, IGRT(영상 유도 방사선 요법)의 일부인 치료 중간 영상 또는 질병 평가, RT 후 반응 평가/감시에 사용되는 영상(CT, MRI, PET)을 분석합니다. 방사선 계획 및 선량-량 히스토그램은 TPS(치료 계획 시스템)에서 얻습니다. 모든 이미지와 방사선 관련 데이터는 익명화 필터를 적용하여 PACS(사진 보관 및 통신 시스템) 및 TPS에서 다운로드됩니다. 전자의무기록을 검토하여 임상적 특징(환자, 질병, 치료 관련 특성 및 결과)을 추출합니다. 다양한 양식(예: MRI 및 CT) 또는 다양한 시퀀스(예: T1C, T2W, ADC)에 걸쳐 두개골 스트리핑 및 등록을 포함하는 이미징 전처리가 수행되며, 해당 작업에 가장 적합한 고정 또는 변형 가능한 알고리즘을 사용하여 수행됩니다. 양식. 목표 체적, 즉 총 종양 체적(GTV), 임상 목표 체적(CTV), 계획 목표 체적(PTV) 및 OAR은 적절하게 수정된 수정 사항을 적용하여 방사선 종양학자가 개별적으로 검토합니다(예: OAR(장기 장기 제외) 위험에 처해 있음) 질병이나 수술로 인해 왜곡됨) 지도 학습을 위한 기계 학습 모델을 훈련하는 데 사용됩니다. 윤곽선과 이미지는 3D 시퀀스(예: FSPGR 시퀀스) 또는 최소 슬라이스 두께의 사용 가능한 이미지와 일치하도록 다양한 시퀀스 또는 양식(예: T2W/ADC/PET)에 대해 균일한 해상도로 리샘플링됩니다. 그 후, 정규화 기술(예: 히스토그램 정규화/Z-점수 정규화)이 개별 이미지 내에서 그리고 전체 데이터 세트에 걸쳐 수행되어 MRI의 필드 강도 및 다양한 이미지 획득 매개변수를 포함한 이미지 이질성을 설명합니다. 자동 세분화의 경우 지도 및 비지도 기계 학습 알고리즘이 모두 적용됩니다. 감독 모델의 경우 전체 데이터베이스는 각각 모델 및 애플리케이션 개발을 위한 교육 및 테스트 코호트로 분할됩니다. OAR은 다양한 조직학 또는 종양 부위에 균일하게 적용 가능하므로 자동 분할 훈련은 전체 데이터 세트에 적용됩니다. 그러나 목표 볼륨 묘사에 차이가 있는 경우(예: 한정된 종양과 확산된 종양, 낮은 등급과 높은 등급) TV에 대한 훈련/테스트는 개별 질병 개체에 적용 가능합니다. 자동화된 모델의 효율성은 수동 분할 영역과 AI 기반 세그먼트 간의 주사위 유사성 계수를 사용하여 테스트됩니다. 결과 예측(예: 생존 및 독성)을 위해 다음 단계에는 다양한 TV 및 OAR에 해당하는 이미지(CT, MRI, PET) 및 RT 선량 분포 데이터에서 체적 이미지/수 데이터(선량학)로 변환된 특징 추출이 포함됩니다. 1차(모양, 히스토그램 포함), 2차 또는 고차(예: GLCM, GLDM, GLSZM 등과 같은 다양한 텍스처 기능)로 구성되거나 딥 러닝 기술이 사용됩니다. Delta-radiomics에는 전체 용량과 개별 영역 내에서 동일한 환자에 대한 서로 다른 시점의 방사성 특징의 시간적 변화가 포함됩니다. 그 후, LASSO, 재귀적 특징 제거와 같은 특징 축소 및 선택 기술을 사용하여 샘플 크기에 따라 특징 수를 최종적으로 선정합니다. 출력은 임상 정보에서 얻은 특정 클래스 문제(예: 종양 대 부종, 재발 대 가성진행, 결과, 관심 종양 영역 대 비종양 영역)에 대해 정의된 모델링을 기반으로 결정됩니다. 모든 클래스 불균형은 소수 클래스의 데이터 확대를 위한 무작위 하위 집합 샘플링 또는 SMOTE 분석과 같은 방법을 사용하여 해결됩니다. LDA, k-NN, SVM, Random Forest, AdaBoost 등과 같은 기계 학습 알고리즘을 단독으로 또는 조합하여 앙상블 분류기로 적용하여 최고의 성능을 갖는 모델을 찾습니다. 딥 러닝 분류기는 기능 기반 모델링과 함께 사용되며 분류기의 적용 가능성을 테스트하기 위해 비교됩니다. Leave-One-Out 검증, k-fold 검증, 분할(훈련 및 테스트 코호트로)과 같은 검증 기술을 사용하여 기계 학습 모델의 안정성을 평가합니다. 방사성 분석은 데이터 분석에 대한 전문 지식을 갖춘 데이터 과학자/연구 조사관이 수행합니다. 모든 세분화는 ITK snap(itksnap.org)과 같은 오픈 소스 소프트웨어에서 수행됩니다. 또는 3D 슬라이서(slicer.org). 특징 추출 및 모델링은 Python(python.org)과 같은 오픈 소스 소프트웨어를 사용하여 수행됩니다. 프로젝트의 3차 목표로서 우리는 보호된 이미지 바이오뱅크 저장소에 익명화된 데이터 저장(임상 정보, 방사선 계획 및 반응 평가 이미지, 방사선 계획 데이터, 콘빔 컴퓨터 단층촬영과 같은 치료 내 이미지)을 위한 프로토콜을 개발할 것입니다. 클라우드 공간. 또한, 연구를 위해 추출된 임상 변수의 추출 및 문서화를 위한 모델을 훈련하고 검증하기 위해 자연어 처리(NLP) 알고리즘이 개발될 것입니다. 계산 과학이 지속적으로 발전함에 따라 익명화된 데이터를 공유함으로써 뭄바이 Bhabha 원자 연구 센터의 공동 작업자가 최신 분석 기술과 플랫폼을 적절하게 적용할 것입니다.