Hersentumoren traceren door middel van diepe tijd (TRACE)

Patiënten (kinderen en volwassenen) met een diagnose (radiologisch/histopathologisch) van primaire hersentumoren die tussen januari 2005 en december 2023 zijn geregistreerd in de neuro-oncologische ziektemanagementgroep, zullen worden gescreend. Er wordt verwacht dat ongeveer 500-600 patiënten per jaar in aanmerking zullen komen met beeldgegevens (jaarlijks worden in ons centrum ongeveer 500 patiënten behandeld met bestraling met beschikbare CT-gegevens voor bestralingsplanning, en nog eens 100-200 patiënten krijgen pre-operatieve of post-operatieve scans ). Voor de bovengenoemde periode zullen naar verwachting gegevens beschikbaar zijn van ongeveer 10.000 patiënten, wat de bovengrens van de steekproefomvang voor het huidige onderzoek zal zijn.

Het gebied van de primaire tumor (of de holte en de resterende tumor die de oorspronkelijke locatie voor postoperatieve gegevens aangeven) zal, indien beschikbaar, worden gesegmenteerd op CT en/of MRI. Het peritumorale oedeem wordt uitgesloten van het gesegmenteerde gebied. De segmentatie zal handmatig plaatsvinden in een eerste cohort van ongeveer 200-500 patiënten. Vervolgens zal een machine learning-algoritme zoals een 3D U-net of een op deep learning gebaseerde techniek worden getraind op de initiële gegevens (en gevalideerd bij de volgende 100-200 patiënten om de nauwkeurigheid en robuustheid van het algoritme te beoordelen) voor snelle implementatie en segmentatie van de grote gegevensset. Zodra hersentumorgebieden over de gehele populatie zijn geïdentificeerd, zullen dichtheidskaarten worden gegenereerd om de locatie van tumoren op kwantitatieve schaal weer te geven, afhankelijk van de leeftijd van de patiënt tijdens de diagnose (leeftijd in jaren als continue gegevens en categorische gegevens, dat wil zeggen leeftijdsgroepen, bijvoorbeeld zuigelingen, kinderen, tieners, adolescenten. volwassenen en ouderen). De gegenereerde dichtheidskaarten zullen worden vergeleken met regio's van hersengebieden van gewervelde dieren (met openlijk beschikbare literatuur) van verschillende soorten met betrekking tot de geologische schaal/diepe tijdseenheden, bijvoorbeeld in eenheden van 10-50 miljoen jaar. Op dezelfde manier zal de botanatomie van de schedel worden geëxtraheerd uit CT- en/of MRI-gegevens (met toepassing van technieken zoals vensterintensiteitsdrempels zonder de noodzaak van segmentatie). Patiënten met grote defecten in de calvariale schedel als gevolg van verhoogde intracraniale druk of chirurgische ingrepen zullen worden uitgesloten van de analyse van calvariale antropometrie (deze zal echter wel beschikbaar zijn voor beoordeling van de anatomie van de schedelbasis). De organisatorische patronen zullen worden geanalyseerd met behulp van machine learning-modellen en andere statistische modellen zoals Bayesiaanse statistieken en vergeleken met andere openbaar beschikbare normale menselijke populaties zonder hersentumoren (aangepast voor leeftijd, ras indien van toepassing), fossiele gegevens van gewervelde dieren/mensachtigen, niet-menselijke primaten voor linkherkenning. De dichtheidskaarten en antropometrische gegevens zullen worden vergeleken binnen het gehele cohort van patiënten met hersentumoren (uit de studie), gestratificeerd op basis van factoren zoals leeftijd (zoals eerder vermeld), tumorlocatie (bijv. supratentoriaal vs. infratentoriaal), tumorgraad (goedaardig vs. laagwaardig versus hoogwaardig). De statistische analyse voor dichtheidskaarten en antropometrie zal worden uitgevoerd door geanonimiseerde gegevens te delen met medewerkers met expertise in soortgelijk onderzoek van het Indian Statistical Institute (eenheid Geologische Studies en Interdisciplinaire Statistische Onderzoekseenheid).