Op kunstmatige intelligentie gebaseerde radiogenomica bij darmtumoren (ATTRACT)

De ATTRACT-studie bestaat uit een retrospectief en een prospectief deel. In het retrospectieve deel van het onderzoek zullen radiologische, pathologische en genomische gegevens van 300 patiënten met stadium II-III darmkanker worden gebruikt om de genetische en radiomische kenmerken van darmtumoren en de klinische eindpunten als uitkomsten van het voorspellende model te identificeren.

Tumoren zullen handmatig worden gesegmenteerd op CT-beelden en worden gebruikt voor het genereren van AI-modellen (kunstmatige intelligentie). Pathologische annotaties worden gekoppeld aan de overeenkomstige geanonimiseerde profielen. Immunohistochemie zal worden gebruikt om de monsters in de vier moleculaire subtypen te classificeren. RNA-seq-profielen zullen ook worden gegenereerd uit weefselmonsters door middel van gerichte transcriptomics met behulp van aangepaste NGS-panels (next-generation sequencing) die specifiek zijn ontworpen om genexpressie te evalueren en de tumormutatielast te beoordelen. (TMB). Ruwe gegevens zullen worden verwerkt en gemodelleerd met behulp van Topological Pathway Analysis om patiënten te stratificeren op basis van de relevante moleculaire kenmerken en moleculaire annotaties te definiëren die zullen worden gebruikt om het model te trainen voor de identificatie van specifieke klinisch relevante groepen. Ruwe gegevens zullen samen met radiologische gegevens worden gebruikt om de AI-modellen te genereren en te trainen voor de geautomatiseerde segmentatie en de extractie van de radiogenomica-signatuur.

Radiomics-kenmerken zullen worden geëxtraheerd uit handmatig gesegmenteerde tumoren. Er zal gebruik worden gemaakt van zowel standaard PyRadiomics tools als maatwerk tools. De robuustheid van kenmerken zal worden gegarandeerd door alleen die kenmerken te selecteren met een hoge statistische correlatie tussen waarnemers. Er zullen twee families van AI-modellen worden gegenereerd, één familie gewijd aan segmentatie, en de andere gewijd aan op radiogenomica gebaseerde fenotypering volgens de beschikbare klinische, moleculair biologische en pathologische gegevens. De twee families zullen worden samengevoegd voor de creatie van het ATTRACT AI-model. Voor het genereren van deze modellen zullen specifieke convolutionele neurale netwerkarchitecturen (CNN) gebaseerd op deep learning (DL) en kunstmatige intelligentie zoals UNet en MaskNet worden toegepast. De training zal worden uitgevoerd met behulp van de handmatige ROI-segmentaties (regio of interest) als grondwaarheid. Voor het genereren van radiogenomics-analysemodellen zullen radiomics en genomische kenmerken worden gecombineerd met behulp van verschillende multivariate algoritmen. De classificatie zal worden getraind om de subtypes van kanker en de klinische eindpunten te herkennen.

In het prospectieve deel van de studie zullen patiënten met stadium II-III darmkanker worden gerekruteerd en een preoperatief contrast-versterkte CT-onderzoek ondergaan. Het rekruteringspercentage zal 70 patiënten per jaar bedragen, voor een totaal van 210 patiënten. Na preoperatieve CT wordt een operatie uitgevoerd volgens internationale standaardprotocollen. Uiteindelijk zal adjuvante therapie worden overwogen volgens de huidige richtlijnen. Pathologisch monster van de toekomstige inschrijving zal worden geanalyseerd. Ten eerste zullen patiënten met RNA-seq-gegevens, TMB (van coderende genen) en klinische gegevens worden geclusterd door gebruik te maken van twee verschillende technieken: Markov Cluster-algoritme (MCL) en t-SNE (t-gedistribueerde stochastische buurinbedding), Multi- Laagnetwerkclustering. Patiënten worden weergegeven als knooppunt van een netwerk, randen tussen knooppunten worden gewogen en gedrempeld volgens de Jaccard-gelijkenis. De gelijkenis zal worden berekend op basis van genexpressie-, TMB- en verstoringsinformatie afkomstig van topologische trajectanalyse. De resultaten van clustering zullen worden vergeleken met die uit de immunohistochemie. Klinische follow-upgegevens (d.w.z. resultaat van de therapie etc...) zal, zodra beschikbaar, ook worden aangesloten op de workflow om het leren af ​​te dwingen. De opgehaalde kennis zal worden gebruikt om de dataset te annoteren die wordt gebruikt om de radiomics-classificatie te trainen en te valideren. Het brutomonster zal worden geanalyseerd om verschillende moleculaire subtypes van transcriptomics (CMS1, CMS2, CMS3, CMS4) te extraheren in overeenstemming met het Colorectal Cancer (CRC) Subtyping Consortium (CRCSC), waarbij de aanwezigheid of afwezigheid van kernsubtypepatronen tussen bestaande genexpressie wordt beoordeeld. gebaseerde CRC-subtyperingsalgoritmen. De overeenstemming tussen pathologisch moleculair profiel en ctDNA-analyse tijdens het protocol zal gerelateerd zijn aan radiomics-classificatie om een ​​nieuw volledig diagnostisch benaderingsmodel voor CRC-behandeling en surveillance te bieden.

Toekomstige gegevens zullen worden gebruikt om de AI-modellen te valideren. Voor de segmentatiemodellen zal de Dice Coëfficiënt gebruikt worden als indicator om de mate van overlap tussen de geautomatiseerde en de expertsegmentatie te meten. Voor het radiogenomicsmodel zullen de prestaties worden geëvalueerd met behulp van nauwkeurigheid, integraal onder de ontvanger-operatorcurve (ROC-AUC) en klinische beslissingscurve. Om de beste AI-modellen te selecteren, zullen de onderzoekers ook rekening houden met de reactie op de variatie van de inputkarakteristieken en saliency-kaarten produceren waarin de kenmerken van het inputbeeld die het meest hebben bijgedragen aan de classificatie worden benadrukt.

Klinische evaluatie zal elke 6 maanden gedurende 2 jaar worden uitgevoerd, inclusief regelmatige serum CEA (carcino-embryonaal antigeen) testen en Whole-Body CT elke 6-12 maanden bij patiënten die een hoger risico lopen op een recidief in de eerste 3 jaar na ESMO (Europese Society for Medical Oncology) richtlijnen. Ziektevrije overleving (DFS) en terugvalvrije overleving (RFS) zullen worden berekend.