Ruimtelijke en temporele karakterisering van gliomen met behulp van radiomische analyse (GLIO-RAD)

In het voorgestelde retrospectieve onderzoek zullen beelden (MRI, CT of PET) die zijn gemaakt als onderdeel van de zorgstandaard (vóór de behandeling, postoperatief, responsbeoordeling en surveillance) worden geanalyseerd. De DMG-database met gegevens over patiënten die zijn geregistreerd in TMC neuro-oncologie DMG zal worden gescreend om de patiënten te identificeren die in aanmerking komen voor het onderzoek. Met ongeveer 500-600 gliomen die jaarlijks worden gezien en ongeveer 80-100 patiënten/jaar met beeldvorming voorafgaand aan de behandeling, verwachten we een plafond van 1000 patiënten in de periode 2010-2022, wat het maximale aantal patiënten zal zijn dat voor de analyse wordt gebruikt. Alle beelden worden gedownload van het PACS met behulp van anonimiseringsfilters, waarbij klinische dossiers worden geëxtraheerd door beoordeling van elektronische medische dossiers en bestralingsplannen. Er zal voorbewerking van beeldvorming plaatsvinden, waaronder het strippen van de schedel en registratie over verschillende modaliteiten (bijv. MRI en CT) of verschillende sequenties (bijv. T1C, T2W, ADC) zullen worden uitgevoerd met behulp van rigide of vervormbare algoritmen die het beste geschikt zijn voor de modaliteit. Beeldsegmentatie om het interessegebied te classificeren zal individueel worden uitgevoerd en geverifieerd door een neuroradioloog of een arts in de nucleaire geneeskunde, indien van toepassing. De segmentaties zullen worden uitgevoerd om T1-contrastversterkende regio's (CE), niet-versterkende regio's (NE) en necrose (NEC) te identificeren, geleid door T1-C-, T2W- en T2-FLAIR-gebieden. De contouren en de afbeeldingen worden opnieuw bemonsterd tot een uniforme resolutie voor verschillende reeksen of modaliteiten (bijvoorbeeld T2W/ADC/PET) om te matchen met de 3D-reeks (bijvoorbeeld FSPGR-reeks) of met beschikbare afbeeldingen met de minste plakdikte. Vervolgens zullen normalisatietechnieken (bijv. histogramnormalisatie/Z-score-normalisatie) worden uitgevoerd binnen de individuele beelden en over de gehele dataset om rekening te houden met heterogeniteit van beelden, inclusief veldsterkte voor MRI en verschillende beeldacquisitieparameters. Voor autosegmentatie zullen zowel begeleide als niet-gecontroleerde machine learning-algoritmen worden toegepast. Voor het begeleide model wordt de gehele database opgesplitst in trainings- en testcohorten voor respectievelijk de model- en applicatieontwikkeling. De effectiviteit van het geautomatiseerde model zal worden getest met behulp van de dobbelstenen-overeenkomstcoëfficiënt tussen handmatige segmentatieregio's en op AI gebaseerde segmenten. Voor de prognose van gliomen zal de volgende stap de extractie van kenmerken omvatten, die zal bestaan ​​uit eerste-orde (inclusief vorm, histogram), tweede-orde of hogere-orde (bijvoorbeeld verschillende textuurkenmerken zoals GLCM, GLDM, GLSZM, enz.) of er zullen deep learning-technieken worden gebruikt. Delta-radiomics omvatten tijdelijke veranderingen in de radiomische kenmerken vanaf verschillende tijdstippen voor dezelfde patiënt binnen het gehele volume en individuele regio's. Vervolgens zullen featurereductie- en selectietechnieken zoals LASSO en recursieve feature-eliminatie worden gebruikt om het aantal features op een shortlist te zetten, afhankelijk van de steekproefomvang. De uitkomsten zullen worden bepaald op basis van de modellering die is gedefinieerd voor specifieke klasseproblemen (bijv. tumor vs. oedeem, recidief vs. pseudoprogressie, uitkomsten, tumorgebied van interesse vs. niet-tumoraal gebied) zoals verkregen uit de klinische informatie. Elke onbalans tussen klassen zal worden aangepakt met behulp van methoden zoals willekeurige subset-steekproeven of SMOTE-analyse voor gegevensvergroting van de minderheidsklasse. Machine learning-algoritmen zoals LDA, k-NN, SVM, random forest, AdaBoost, enz. zullen afzonderlijk of in combinatie worden toegepast als een ensemble-classificator om het model met de beste prestaties te vinden. Deep learning-classificatoren zullen worden gebruikt in combinatie met feature-based modellering en worden vergeleken om de toepasbaarheid van de classifier te testen. Validatietechnieken zoals leave-one-out-validatie, k-voudige validatie en split (in training- en testcohort) zullen worden gebruikt om de stabiliteit van het machine learning-model te beoordelen. Radiomische analyse zal worden uitgevoerd door datawetenschappers/onderzoeksonderzoekers met expertise in data-analyse. Alle segmentaties zullen worden gedaan op open-source software zoals ITK snap (itksnap.org) of 3D Slicer (slicer.org). Functie-extractie en modellering zullen worden uitgevoerd met behulp van open-sourcesoftware zoals Python (python.org). Met de voortdurende vooruitgang in de computationele wetenschap zullen beschikbare nieuwere analytische technieken en platforms waar nodig worden toegepast door medewerkers van het Indian Statistical Institute, Kolkata, Machine Intelligence Unit, door de geanonimiseerde gegevens te delen.