Kunstig intelligens-basert RAdiogenomikk i tykktarmssvulster (ATTRACT)

ATTRACT-forsøket består av en retrospektiv og en prospektiv del. I den retrospektive delen av studien vil radiologi, patologi og genomikkdata fra 300 pasienter med stadium II-III tykktarmskreft bli brukt til å identifisere de genetiske og radiomiske egenskapene til tykktarmssvulster og de kliniske endepunktene som resultatene av den prediktive modellen.

Tumorer vil bli manuelt segmentert på CT-bilder og brukt til AI (kunstig intelligens)-modellgenerering. Patologiske merknader vil bli knyttet til de tilsvarende anonymiserte profilene. Immunhistokjemi vil bli brukt til å klassifisere prøvene i de 4 molekylære subtypene i henhold til.RNA-seq-profiler vil også bli generert fra vevsprøver gjennom målrettet transkriptomikk ved bruk av tilpassede NGS-paneler (neste generasjons sekvensering) spesielt designet for å evaluere genuttrykk og vurdere tumormutasjonsbyrde (TMB). Rådata vil bli behandlet og modellert ved hjelp av Topological Pathway Analysis for å stratifisere pasienter i henhold til de relevante molekylære egenskapene og definere molekylære merknader som skal brukes til å trene modellen for identifisering av spesifikke klinisk relevante grupper. Rådata sammen med radiologiske data vil bli brukt til å generere og trene AI-modellene for automatisert segmentering og utvinning av radiogenomikk-signaturen.

Radiomikrofunksjoner vil bli ekstrahert fra manuelt segmenterte svulster. Standard PyRadiomics-verktøy så vel som skreddersydde verktøy vil bli brukt. Funksjonens robusthet vil bli garantert ved å velge bare de med høy statistisk korrelasjon mellom observatører. To familier av AI-modeller vil bli generert, en familie dedikert til segmentering, og den andre dedikert til radiogenomikk-basert fenotyping i henhold til tilgjengelige kliniske, molekylærbiologiske og patologiske data. De to familiene vil bli smeltet sammen for å lage ATTRACT AI-modellen. For genereringen av disse modellene vil spesifikke konvolusjonelle nevrale nettverk (CNN) arkitekturer basert på dyp læring (DL) og kunstig intelligens som UNet og MaskNet bli brukt. Treningen vil bli utført ved å bruke de manuelle ROI-segmenteringene (region av interesse) som grunnsannhet. For generering av radiogenomiske analysemodeller vil radiomik og genomiske funksjoner kombineres ved hjelp av forskjellige multivariate algoritmer. Klassifikatoren vil bli opplært til å gjenkjenne kreftsubtypene og kliniske endepunkter.

I den prospektive delen av studien vil pasienter med stadium II-III tykktarmskreft rekrutteres og gjennomgå en preoperativ kontrastforsterket CT-undersøkelse. Rekrutteringsraten vil være 70 pasienter per år, til sammen 210 pasienter. Etter preoperativ CT vil kirurgi bli utført i henhold til internasjonale standardprotokoller. Til slutt vil adjuvant terapi vurderes etter gjeldende retningslinjer. Patologisk prøve av den potensielle påmeldingen vil bli analysert. For det første, med RNA-seq-data, TMB (av kodende gener) og kliniske data, vil pasienter bli gruppert ved å bruke to forskjellige teknikker Markov Cluster-algoritme (MCL) og t-SNE (t-distribuert stokastisk naboinnebygging), Multi- Lagnettverksklynger. Pasienter vil bli representert som node i et nettverk, kanter mellom noder vil bli vektet og terskelverdi i henhold til Jaccard Similarity. Likheten vil bli beregnet på toppen av genuttrykk, TMB og forstyrrelsesinformasjon som kommer fra Topological Pathway Analysis. Resultater av gruppering vil bli matchet med de som kommer fra immunhistokjemi. Kliniske oppfølgingsdata (dvs. resultatet av terapien osv...) vil, når det er tilgjengelig, også kobles til arbeidsflyten for å håndheve læringen. Utvunnet kunnskap vil bli brukt til å kommentere datasettet som brukes til å trene og validere radiomiksklassifiseringen. Bruttoprøver vil bli analysert for å trekke ut forskjellige transkriptomiske molekylære subtyper (CMS1, CMS2, CMS3, CMS4) i samsvar med Colorectal Cancer (CRC) Subtyping Consortium (CRCSC) som vurderer tilstedeværelsen eller fraværet av kjernesubtypemønstre blant eksisterende genuttrykk- baserte CRC-subtypealgoritmer. Overensstemmelsen mellom patologisk molekylær profil og ctDNA-analyse under protokollen vil være relatert til radiomiksklassifisering for å gi en ny heldiagnostisk modell for tilnærming i CRC-behandling og overvåking.

Prospektive data vil bli brukt til å validere AI-modellene. For segmenteringsmodellene vil terningskoeffisienten brukes som en indikator for å måle graden av overlapping mellom den automatiserte og ekspertsegmenteringen. For radiogenomikkmodellen vil ytelsen bli evaluert ved hjelp av nøyaktighet, integral under mottakeroperatørkurven (ROC-AUC) og klinisk beslutningskurve. Etterforskerne vil også ta i betraktning, for å velge de beste AI-modellene, responsen på variasjonen av input-karakteristikkene og vil produsere fremtredende kart der egenskapene til input-bildet som hovedsakelig bidro til klassifiseringen, fremheves.

Klinisk evaluering med vil bli utført hver 6. måned i 2 år, inkludert vanlige serum CEA (carcinoembryonic antigen) tester og Whole-Body CT hver 6.-12. måned hos pasienter som har høyere risiko for tilbakefall i de første 3 årene etter ESMO (europeisk Society for Medical Oncology) retningslinjer. Sykdomsfri overlevelse (DFS) og tilbakefallsfri overlevelse (RFS) vil bli beregnet.