Multiomisk tilnærming til radioresistens av ependymomer hos barn og ungdom (EPENDYMOMICS)

Motstanden mot behandling fikk oss til å utføre den nasjonale PEPPI-studien (Pediatric Ependymoma Photons Protons and Imaging). PEPPI samlet kliniske, avbildnings- og dosimetridata fra barn med intrakranielt ependymom behandlet i Frankrike mellom 2000 og 2013. Siden den gang er pasienter behandlet i det nåværende prospektive SIOP II Ependymoma-programmet. Våre kliniske resultater bekreftet de klassiske kliniske prognostiske faktorene inkludert stråleterapidose, og vi viste at avbildningsbiomarkører fra T2/FLAIR, perfusjon og diffusjons-MR var nye prognostiske faktorer. Vi rapporterte at tilbakefall etter RT hovedsakelig skjer lokalt innenfor høydoseregionen. Den prognostiske verdien av dosen og den høye frekvensen av tilbakefall med standarddose fikk oss til å utføre en in silico-dosimetristudie av doseeskalering som sammenligner fotoner og protoner, og bekreftet gjennomførbarheten av denne tilnærmingen. I PEPPI-serien var prediksjonen av tilbakefallsstedet med avansert MR-avbildning ikke mulig på grunn av et lite utvalg av bildedata og den nylige biomolekylære klassifiseringen var ikke tilgjengelig. Nylig ga DNA-metyleringsprofilering en ny klassifisering av ependymom i molekylære undergrupper som har en sterk prognostisk verdi.

EPENDYMOMICS-prosjektet tar sikte på å bestemme den prognostiske rollen til multimodal avbildning, identifisere radioresistente klynger som forutsier tilbakefall og analysere koblingen mellom radiomikrofunksjoner og genomiske markører, og dermed føre til en radiogenomisk studie. Den vil bygge på en database med et større antall pasienter kalt NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) for å utvikle en radiomikrisk tilnærming, dvs. forutsi kliniske endepunkter ved å stole på kvantitative egenskaper hentet fra medisinske bilder ved bruk av enten håndlagde eller automatiserte funksjonsekstraksjonsalgoritmer. Disse funksjonene vil bli utnyttet og kombinert med andre tilgjengelige variabler (kliniske, genetiske, etc.) som forbedret beslutningsstøtte.

1. Datainnsamling MR: Diagnostisk, FU til tilbakefall (DICOM-format)

   - Sekvenser: T1W, T2W, FLAIR, T1W med og uten kontrastforsterkning, diffusjonsvektet bildebehandling (DWI), perfusjonsvektet bildebehandling (PWI) Strålebehandling: CT-skanning, RTDOSE, RTSS, RTPLAN (DICOM RT-format) Klinisk: Alder, kirurgi, kjemoterapi, doser, seneffekter, tilbakefallsdato Histologi: Hematoxylin og Eosin (H&E)-fargede histopatologiske lysbilder Molekylærbiologi: Metyleringsgruppene RELA, YAP, PFA og PFB

2. Datakvalitetssjekk og avgrensning av volum av interesse for å kurere data før etterbehandling og analyse.

   For å sikre foreløpig robust bildesegmentering vil strålebehandlingsstruktursettet bli kontrollert for hver pasient. Henvisende radiolog vil bekrefte alle bildeendringer etter RT. En ekspert strålingsonkolog vil segmentere volumer av abnormiteter etter behandling i T1WI postkontrast, i T2W/FLAIR-avbildning, samt stedet for tilbakefall og manglende OARs.

3. Bildedata etterbehandling og analyse av endringer etter strålebehandling Vi vil behandle DWI og PWI med Olea Sphere®3.0 programvare, en etterbehandlingsløsning for MR- og CT-skannere. Vi vil trekke ut og generere tilsynelatende diffusjonskoeffisientkart fra DWI-data beregnet på en voxel-for-voxel-basis og relative cerebrale blodvolumkart beregnet fra PWI-data med en oscillasjonsindeks singular verdi dekomponeringsrutine og korreksjon for T1-veide lekkasjeeffekter.

   Alle MR-data vil bli strengt samregistrert med T1WI-PC og planleggings-CT.

4. Radiomiksharmonisering Vi vil øke nivået av harmonisering av bilder og/eller ekstraherte funksjoner på svært heterogene datasett på grunn av dets mange kilder.

   Vi vil utvikle et GAN-basert rammeverk, oversette heterogene bilder for å matche egenskapene til et standard datasett, for eksempel et malreferansebilde, eller alternativt ett sett med bilder valgt som referanse. Vi må bestemme de relevante egenskapene i bilder (lokale eller globale beregninger, tekstur, kanter, kontrast, signal-til-støy-forhold osv.) og sikre rammeverkets evne til å harmonisere bilder uten å miste deres klinisk relevante informasjon og innhold. .

   I funksjonsområdet kan en rekke statistiske tilnærminger brukes, for eksempel normalisering eller batcheffektkompensasjon. ComBat har vist seg å overgå andre lignende tilnærminger, og vi vil stole på Monte Carlo-estimering for små prøver. Vi vil undersøke kombinasjonen av batch-korreksjonsmetodene med uovervåket klynging for å håndtere data som presenterer svært høy heterogenitet og et svært lite antall prøver per batch.

   Det kan være fordelaktig og komplementært å kombinere bildebaserte og funksjonsbaserte harmoniseringsmetodikker for å forbedre resultatene av multisenter radiomiksstudier. Vi vil vurdere den potensielle ekstra fordelen ved begge tidligere utviklede tilnærminger for å forbedre resultatene. Målet med denne oppgaven vil være å fastslå om den første eller andre tilnærmingen (eller kombinasjonen av begge) er den mest effektive, og tar ikke bare hensyn til den absolutte forbedringen observert i resultatene, men også datatiden og -innsatsen som kreves for å implementere hver tilnærming i praksis.

5. Biomolekylær analyse Biologiske ressurser fra PEPPI og SIOPII ependymoma kohorter av pasienter vil bli inkludert. Først vil diagnosen intrakranielle ependymomer bli bekreftet og deretter patologiske trekk vil bli undersøkt.

   WHO 2020-klassifisering av ependymomer: cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) bestemte seg for å klassifisere ependymomer i henhold til plassering og den underliggende genetiske endringen. Den nåværende WHO-klassifiseringen er under revisjon.

   Biologiske studier som kreves for å klassifisere intrakranielt ependymom av prosjektet:

   Immunhistokjemi: p65-RelA, H3K27Me3. FISH-analyse (klassifisering og kopinummervariasjoner). DNA-metyleringsprofilering. RNAseq-analyse.

6. Deep learning (DL) for molekylære biomarkører av ependymom For dette formålet har Zimmer-teamet designet og trent dype konvolusjonelle nevrale nettverk basert på Inception V3-arkitekturen for å skille ependymom fra gliom grad III og IV. Foreløpige resultater basert på et bildedatasett indikerer en høy nøyaktighet av diskriminering og foreslår muligheten for å forutsi klinisk relevante mutasjoner fra H&E-bilder alene (manuskript under forberedelse).

   Vi vil utvide disse DL-tilnærmingene for å forutsi motstand mot terapi og metastaser. Dette vil gjøres ved å bruke histopatologibildene alene enten som input eller i kombinasjon med klassifiseringer basert på molekylære analyser. På et teknisk nivå vil vi bruke avanserte dypnevrale nettverksarkitekturer basert på konvolusjonslag og hoppforbindelser. For å kompensere for den moderate størrelsen på treningsdatasettet, vil vi i stor grad bruke overføringslæring. Her vil vi gjøre spesifikk bruk av TGCA-databasen, som inneholder bilder fra svært forskjellige kreftformer som brystkreft, og tilpasse vellykkede modeller ved å omskolere på en undergruppe av ependymoma-dataene som er anskaffet i denne studien. Vi vil også ta i bruk flerskala bilderepresentasjoner for en bedre utnyttelse av bildeinformasjonen på celle- og vevsnivå, bruke H&E-spesifikk fargenormalisering og metoder for automatisert eliminering av områder som er gjenstand for bildegjenstander. Vi vil også inkludere de utviklede metodene i Imjoy. Ved å koble det grafiske brukergrensesnittet fra den beregningsbaserte bakenden, gjør det det mulig for brukere å få tilgang til avanserte databehandlingsmuligheter fra hvilken som helst arbeidsstasjon eller bærbar datamaskin.

7. Statistisk analyse Flere signaturer vil bli utviklet og validert: en radiomisk signatur (RAD-Score), en radiomisk og klinisk signatur (RADClin-Score), en molekylær signatur (MOL-score) og en global signatur (Radiomic, Molecular and clinical signatur) .

   • RAD-score assosiert med progresjonsfri overlevelse (PFS). For å unngå skjevheter er NETSPARE bygget fra retrospektiv multisenterstudie inkludert uavhengige kohorter en treningskohort. Valideringsgruppen for å teste ytelsen til den radiomiske signaturen tilsvarer den britiske kohorten til SIOP II-programmet (n=220). Denne inndelingen tillater ekstern validering.

Opplæringskohort: median PFS er beregnet til å være 5 år i litteratur. Dette tilsvarer en 3,5-årig PFS på 62 %. Med 370 pasienter og en median oppfølging på 3,5 år forventer vi minst 120 hendelser. I henhold til tommelfingerregelen som anbefaler 10 hendelser per variabel av interesse, kan en multiparametrisk modell som kombinerer 10 variabler trenes. En alternativ modelleringsstrategi basert på en straffet tilnærming vil bli brukt for å studere sammenhengen mellom avbildningsparametere og PFS. Siden avbildningsbiomarkørdata langt overstiger prøvestørrelsen og er interkorrelerte, vil straffede metoder (tidligere brukt i forskjellige situasjoner med romlige data) bli brukt for regularisering og valg av variabler, ved å oppmuntre til grupperingseffekten og velge forklarende variabler.

Valideringskohort: Det forventes 66 arrangementer. Med dette antallet hendelser er det mulig å oppdage med 80 % effekt et fareforhold på 0,5 mellom lav- og høyrisikogruppen (Logrank test tosidig 0,05).

Demografiske data: Kontinuerlige variabler vil bli oppsummert etter kohort ved bruk av median, minimum, maksimum og antall tilgjengelige observasjoner. Kvalitative variabler vil bli oppsummert ved hjelp av tellinger, prosenter og antall manglende data. Sammenligning mellom kohorten vil bli utført ved å bruke kjikvadrattesten (eller Fisher eksakt test hvis aktuelt) for kvalitative variabler og Mann-Whitney testen for kvantitative variabler.

- Radiomiksignaturutvikling og validering: For å studere sammenhengen mellom bildefunksjoner og PFS, vil vi bruke en alternativ modelleringsstrategi basert på den straffede Cox-regresjonsmodellen. Elastic Net-metoden oppmuntrer til grupperingseffekt og velger forklarende variabler. Vi vil utføre en 10-dobbel kryssvalidering for å velge den beste straffeparameteren lambda. Blandeparameteren α, en annen parameter i Elastic net-metoden, vil bli satt til en standardverdi på 0,5. Regresjonskoeffisientene knyttet til hver tilstand av de forskjellige variablene vil bli brukt for å bestemme RAD-skåren. Ettersom utfallet er tidsavhengig, vil risikoskåren dikotomiseres ved hjelp av en tidsavhengig ROC-kurve for å få en klassifisering (risikogrupper: dårlig vs middels vs god prognose). Den optimale terskelen er bestemt for å oppnå ved 3 år en sensitivitet på minst 80 % og den beste spesifisiteten.

En intervallvalidering vil bli utført ved bruk av en leave k-out kryssvalidering. Vi vil deretter bruke RAD-score-signaturen på valideringskohorten. Resultatene av poengsummen vil bli evaluert ved hjelp av forskjellige kriterier: monotonisitet av den prognostiske stratifiseringen vurdert ved bruk av Kaplan-Meier overlevelseskurver og Hazard Ratio (HR) estimering, diskriminering evaluert av Harrells C-indeks og D-statistikken, kvaliteten på modellen og andelen. av forklart variasjon estimert av henholdsvis Akaike Information Criterion (AIC) og RD²-statistikken. Evnen til prognostisk skåre til å identifisere pasienter med høy risiko for tilbakefall i løpet av de første 3 årene vil bli evaluert ved å bestemme sensitivitet, spesifisitet og prediktiv verdi ved å bruke en tidsavhengig ROC-kurve.

- RADClin-Score utvikling og validering: For å inkludere klinisk informasjon og bildeinformasjon, vil vi kombinere både lavdimensjonale kliniske og høydimensjonale bildedata i en global prediksjonsmodell. Først vil vi ignorere bildefunksjonene fullstendig. En Cox-modell vil bli tilpasset for å identifisere kliniske kovariater assosiert med PFS. Vi vil bygge en klinisk lineær prediktor ved å bruke en regresjonskoeffisient. Deretter vil vi bruke Elastic Net med den kliniske lineære prediktoren i offset for å identifisere bildefunksjoner. Til slutt vil vi beregne RADClin-poengsummen ved å bruke en regresjonskoeffisient. Vi vil plotte et Venn-diagram for å sammenligne funksjonsvalg med RADClin-Score og RAD-Score. Vi vil sammenligne modellen ved å bruke de ulike kriteriene som er presentert tidligere.