Kunstig intelligens i CNS-strålingsonkologi (AI-RAD)

I den foreslåtte retrospektive studien vil pasienter behandlet med strålebehandling (RT) for svulster i sentralnervesystemet (CNS) inkluderes. DMG-databasen som opprettholder registre over pasienter registrert og behandlet i TMC (Tata Memorial Centre) neuro oncology DMG (Disease Management Group) vil bli screenet for å identifisere pasientene som er kvalifisert for studien. Med cirka 500-600 pasienter med CNS-svulster behandlet med RT i TMC hvert år, forventer vi et tak på 6000 pasienter i løpet av 2010-2022, som vil være det maksimale antallet pasienter som brukes til analysen. Bildene (CT, MR, PET) som brukes til RT-planlegging, midt-behandlingsavbildning som en del av IGRT (Image-guided radiation therapy) eller sykdomsevaluering, og responsvurdering/overvåking etter RT vil bli analysert. Strålingsplanene og dose-volum histogram vil bli hentet fra TPS (Treatment Planning System). Alle bildene og strålingsrelaterte data vil bli lastet ned fra PACS (Picture Archiving and Communication System) og TPS, ved bruk av anonymiseringsfiltre. Kliniske trekk (pasient, sykdom, behandlingsrelaterte egenskaper og utfall) vil bli trukket ut ved gjennomgang av elektroniske journaler. 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. Målvolumene, dvs. brutto tumorvolum (GTV), klinisk målvolum (CTV) og planleggingsmålvolum (PTV), og OARs vil bli individuelt gjennomgått av strålingsonkologer med modifikasjoner påført etter behov (f.eks. ekskludering av OARs (Organs) i fare) forvrengt av sykdom eller kirurgi) og vil bli brukt til å trene maskinlæringsmodellene for overvåket læring. 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) bli utført innenfor de enkelte bildene og på tvers av hele datasettet for å ta hensyn til bildeheterogenitet, inkludert feltstyrke for MR og forskjellige bildeopptaksparametere. For autosegmentering 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. Siden OAR-ene er jevnt anvendelige for forskjellige histologi- eller tumorsteder, vil autosegmenteringstrening bli brukt på hele datasettet. Men gitt det er variasjoner i målvolumavgrensninger (f.eks. for omskrevne vs. diffuse svulster, lav grad vs. høy grad), vil opplæringen/testingen for TV-er være anvendelig for individuelle sykdomsenheter. Effektiviteten til den automatiserte modellen vil bli testet ved å bruke terninglikhetskoeffisienten mellom manuelle segmenteringsregioner og AI-baserte segmenter. For resultatprediksjon (f.eks. overlevelse og toksisiteter), vil neste trinn inkludere funksjonsekstraksjon fra bilder (CT, MR, PET) som tilsvarer forskjellige TV- og OAR-er og RT-dosedistribusjonsdata konvertert til volumetriske bilde-/talldata (dosiomikk), som vil bestå av førsteordens (inkludert form, histogram), andreordens eller høyereordens (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. Resultatene vil bli bestemt basert på modelleringen 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). Som et tertiært mål i prosjektet vil vi utvikle en protokoll for anonymisert datalagring (klinisk informasjon, strålingsplanlegging og responsvurderingsbilder, strålingsplanleggingsdata, intrabehandlingsbilder som kjeglestråledatatomografi) i et sikret bildebiobankdepot med beskyttet skyrom. Naturlig språkbehandling (NLP) algoritmer vil også bli utviklet for å trene og validere modell for ekstraksjon, og dokumentasjon av kliniske variabler ekstrahert for studien. Med kontinuerlige fremskritt innen beregningsvitenskap, vil tilgjengelige nyere analytiske teknikker og plattformer bli brukt etter behov av samarbeidspartnere fra Bhabha Atomic Research Centre, Mumbai, ved å dele anonymiserte data.