Romlig og tidsmessig karakterisering av gliomer ved bruk av radiomisk analyse (GLIO-RAD)

I den foreslåtte retrospektive studien vil bilder (MR, CT eller PET) som er utført som en del av standardbehandling (forbehandling, postoperativ, responsvurdering og overvåking) bli analysert. DMG-databasen som opprettholder registre over pasienter registrert i TMC neuro-oncology DMG vil bli screenet for å identifisere pasientene som er kvalifisert for studien. Med ca. 500-600 gliomer sett årlig og ca. 80-100 pasienter/år med bildediagnostikk før behandling, forventer vi et tak på 1000 pasienter i løpet av 2010-2022, som vil være det maksimale antallet pasienter som brukes til analysen. Alle bildene vil bli lastet ned fra PACS ved bruk av anonymiseringsfiltre, med kliniske journaler hentet ut ved gjennomgang av elektroniske journaler og stråleplaner. Avbildningsforbehandling vil bli utført, som vil inkludere hodeskallestripping og registrering på tvers av forskjellige modaliteter (f.eks. MR og CT) eller forskjellige sekvenser (f.eks. T1C, T2W, ADC) vil bli utført ved bruk av stive eller deformerbare algoritmer som passer best for modalitet. Bildesegmentering for å klassifisere regionen av interesse vil bli utført og verifisert individuelt av en nevro-radiolog eller nukleærmedisinsk lege etter behov. Segmenteringene vil bli gjort for å identifisere T1-kontrastforsterkende region (CE), ikke-forsterkende regioner (NE) og nekrose (NEC) guidet av T1-C, T2W og T2-FLAIR områder. Konturene og bildene vil bli omsamplet til en enhetlig oppløsning for forskjellige sekvenser eller modaliteter (f.eks. T2W/ADC/PET) for å matche enten med 3D-sekvensen (f.eks. FSPGR-sekvens) eller tilgjengelige bilder med minst skivetykkelse. Deretter vil normaliseringsteknikker (f.eks. histogramnormalisering / Z-score-normalisering) utføres innenfor de enkelte bildene og på tvers av hele datasettet for å ta hensyn til eller bildeheterogenitet, inkludert feltstyrke for MR og forskjellige bildeopptaksparametere. For automatisk segmentering vil både overvåket og uovervåket maskinlæringsalgoritmer bli brukt. For den veiledede modellen vil hele databasen deles opp i opplærings- og testkull for henholdsvis modell- og applikasjonsutvikling. Effektiviteten til den automatiserte modellen vil bli testet ved å bruke terninglikhetskoeffisienten mellom manuelle segmenteringsregioner og AI-baserte segmenter. For prognostisering av gliomer vil neste trinn inkludere funksjonsekstraksjon, som vil bestå av førsteordens (inkludert form, histogram), andreordens eller høyere ordens (f.eks. forskjellige teksturfunksjoner som GLCM, GLDM, GLSZM, etc.) , eller dyplæringsteknikker vil bli brukt. Delta-radiomiks vil inkludere tidsmessige endringer i de radiomiske egenskapene fra forskjellige tidspunkter for samme pasient innenfor hele volumet og individuelle regioner. Deretter vil funksjonsreduksjon og seleksjonsteknikker som LASSO, rekursiv funksjonseliminering bli brukt for å kortliste antall funksjoner avhengig av prøvestørrelsen. Utdataene vil bli bestemt basert på modelleringen som er definert for spesifikke klasseproblemer (f.eks. tumor vs. ødem, tilbakefall vs. pseudoprogresjon, utfall, tumorregion av interesse vs. ikke-tumoralt område) som hentet fra den kliniske informasjonen. Enhver klasseubalanse vil bli adressert ved hjelp av metoder som tilfeldig undergruppeprøvetaking eller SMOTE-analyse for dataforsterkning av minoritetsklassen. Maskinlæringsalgoritmer som LDA, k-NN, SVM, random forest, AdaBoost, etc., vil bli brukt enkeltvis eller i kombinasjon som en ensemblet klassifisering for å finne modellen med best ytelse. Dyplæringsklassifiserere vil bli brukt sammen med funksjonsbasert modellering og sammenlignet for å teste klassifisererens anvendelighet. Valideringsteknikker som leave-one-out validering, k-fold validering og splitt (i trenings- og testkohort) vil bli brukt for å vurdere stabiliteten til maskinlæringsmodellen. Radiomisk analyse vil bli utført av dataforskere/studieetterforskere med ekspertise innen dataanalyse. Alle segmenteringer vil bli gjort på åpen kildekode-programvare som ITK snap (itksnap.org) eller 3D Slicer (slicer.org). Funksjonsutvinning og modellering vil bli gjort ved hjelp av åpen kildekode-programvare som Python (python.org). Med kontinuerlige fremskritt innen beregningsvitenskap, vil tilgjengelige nyere analytiske teknikker og plattformer bli brukt etter behov av samarbeidspartnere fra Indian Statistical Institute, Kolkata, Machine Intelligence Unit ved å dele de anonymiserte dataene.