Kunstmatige intelligentie in CZS-stralingsoncologie (AI-RAD)

In het voorgestelde retrospectieve onderzoek zullen patiënten worden opgenomen die worden behandeld met radiotherapie (RT) voor tumoren van het centrale zenuwstelsel (CZS). De DMG-database met gegevens over patiënten die zijn geregistreerd en behandeld in de neuro-oncologie van TMC (Tata Memorial Centre) DMG (Disease Management Group) zal worden gescreend om de patiënten te identificeren die in aanmerking komen voor het onderzoek. Met ongeveer 500-600 patiënten met CZS-tumoren die jaarlijks worden behandeld met RT in TMC, verwachten we een plafond van 6000 patiënten in de periode 2010-2022, wat het maximale aantal patiënten zal zijn dat voor de analyse wordt gebruikt. De beelden (CT, MRI, PET) die worden gebruikt voor RT-planning, beeldvorming halverwege de behandeling als onderdeel van IGRT (beeldgeleide radiotherapie) of ziekte-evaluatie, en responsbeoordeling/surveillance na RT zullen worden geanalyseerd. De bestralingsplannen en het dosis-volumehistogram worden verkregen van TPS (Treatment Planning System). Alle beelden en stralingsgerelateerde gegevens worden gedownload van het PACS (Picture Archiving and Communication System) en TPS, waarbij anonimiseringsfilters worden toegepast. Klinische kenmerken (patiënt, ziekte, behandelingsgerelateerde kenmerken en uitkomsten) zullen worden geëxtraheerd door beoordeling van elektronische medische dossiers. 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. De doelvolumes, d.w.z. het bruto tumorvolume (GTV), het klinische doelvolume (CTV), en het planningsdoelvolume (PTV), en de OAR's zullen individueel worden beoordeeld door radiotherapeuten, waarbij indien nodig wijzigingen worden aangebracht (bijv. uitsluiting van OAR's (organen risico loopt) vervormd door ziekte of operatie) en zal worden gebruikt om de machine learning-modellen te trainen voor begeleid leren. 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 (bijvoorbeeld histogramnormalisatie/Z-score-normalisatie) worden uitgevoerd binnen de individuele beelden en over de gehele dataset om rekening te houden met de heterogeniteit van het beeld, 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. Omdat de OAR's uniform toepasbaar zijn voor verschillende histologie- of tumorlocaties, zal autosegmentatietraining op de volledige dataset worden toegepast. Aangezien er echter variaties zijn in de afbakeningen van het doelvolume (bijvoorbeeld voor omschreven versus diffuse tumoren, laaggradig versus hooggradig), zal de training/test voor tv's toepasbaar zijn voor individuele ziekte-entiteiten. 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 het voorspellen van uitkomsten (bijvoorbeeld overleving en toxiciteiten) zal de volgende stap het extraheren van kenmerken omvatten uit beelden (CT, MRI, PET) die overeenkomen met verschillende TV- en OAR's, en RT-dosisverdelingsgegevens omgezet naar volumetrische beeld-/getalgegevens (dosimics), 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 diepgaande leertechnieken 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 belang 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 gedaan met behulp van opensource-software zoals Python (python.org). Als tertiaire doelstelling van het project zullen we een protocol ontwikkelen voor geanonimiseerde gegevensopslag (klinische informatie, beelden van stralingsplanning en responsbeoordeling, gegevens van stralingsplanning, intra-behandelingsbeelden zoals cone beam computertomografie) in een beveiligde beeldbiobank met beschermde gegevens. wolken ruimte. Ook zullen er algoritmen voor natuurlijke taalverwerking (NLP) worden ontwikkeld om modellen voor extractie te trainen en te valideren, en om klinische variabelen te documenteren die voor de studie worden geëxtraheerd. Met de voortdurende vooruitgang in de computationele wetenschap zullen beschikbare nieuwere analytische technieken en platforms waar nodig worden toegepast door medewerkers van het Bhabha Atomic Research Centre, Mumbai, door geanonimiseerde gegevens te delen.