RAdiogenomika oparta na sztucznej inteligencji w nowotworach jelita grubego (ATTRACT)

Badanie ATTRACT składa się z części retrospektywnej i prospektywnej. W retrospektywnej części badania dane radiologiczne, patologiczne i genomiczne 300 pacjentów z rakiem jelita grubego w stadium II–III zostaną wykorzystane do identyfikacji cech genetycznych i radiomicznych guzów okrężnicy oraz klinicznych punktów końcowych jako wyników modelu predykcyjnego.

Guzy będą ręcznie segmentowane na obrazach tomografii komputerowej i wykorzystywane do generowania modelu AI (sztucznej inteligencji). Adnotacje patologiczne zostaną powiązane z odpowiednimi zanonimizowanymi profilami. Do klasyfikacji próbek na 4 podtypy molekularne zostanie wykorzystana metoda immunohistochemiczna. Profile seq RNA zostaną również wygenerowane z próbek tkanek metodą ukierunkowanej transkryptomiki przy użyciu niestandardowych paneli NGS (sekwencjonowanie nowej generacji), specjalnie zaprojektowanych do oceny ekspresji genów i oceny obciążenia mutacyjnego nowotworu (TMB). Surowe dane będą przetwarzane i modelowane przy użyciu analizy ścieżek topologicznych w celu stratyfikacji pacjentów według odpowiednich cech molekularnych i zdefiniowania adnotacji molekularnych, które zostaną wykorzystane do szkolenia modelu w celu identyfikacji konkretnych grup istotnych klinicznie. Surowe dane wraz z danymi radiologicznymi zostaną wykorzystane do wygenerowania i szkolenia modeli sztucznej inteligencji na potrzeby automatycznej segmentacji i ekstrakcji sygnatury radiogenomicznej.

Cechy radiomiki zostaną wyodrębnione z ręcznie segmentowanych guzów. Wykorzystane zostaną standardowe narzędzia PyRadiomics, a także narzędzia wykonane na zamówienie. Solidność cech zostanie zagwarantowana poprzez wybranie tylko tych cech, które charakteryzują się wysoką korelacją statystyczną między obserwatorami. Zostaną wygenerowane dwie rodziny modeli sztucznej inteligencji, jedna przeznaczona do segmentacji, a druga do fenotypowania opartego na radiogenomice, zgodnie z dostępnymi danymi klinicznymi, biologii molekularnej i patologii. Obie rodziny zostaną połączone w celu stworzenia modelu AI ATTRACT. Do wygenerowania tych modeli zostaną zastosowane specyficzne architektury splotowych sieci neuronowych (CNN) oparte na głębokim uczeniu się (DL) i sztucznej inteligencji, takie jak UNet i MaskNet. Szkolenie zostanie przeprowadzone przy użyciu ręcznej segmentacji ROI (regionu zainteresowania) jako podstawy prawdy. W celu wygenerowania modeli analizy radiogenomicznej cechy radiomiki i genomu zostaną połączone przy użyciu różnych algorytmów wieloczynnikowych. Klasyfikator zostanie przeszkolony w zakresie rozpoznawania podtypów nowotworów i klinicznych punktów końcowych.

W prospektywnej części badania rekrutowani będą pacjenci z rakiem jelita grubego w II-III stopniu zaawansowania, którzy zostaną poddani przedoperacyjnemu badaniu TK ze wzmocnieniem kontrastowym. Wskaźnik rekrutacji wyniesie 70 pacjentów rocznie, co daje łącznie 210 pacjentów. Po przedoperacyjnej tomografii komputerowej operacja zostanie przeprowadzona zgodnie z międzynarodowymi standardami protokołów. Ostatecznie rozważone zostanie leczenie uzupełniające zgodnie z aktualnymi wytycznymi. Analizie poddana zostanie próbka patologiczna potencjalnej rejestracji. Po pierwsze, na podstawie danych dotyczących sekwencji RNA, TMB (genów kodujących) i danych klinicznych, pacjenci będą grupowani przy użyciu dwóch różnych technik: algorytmu Markowa Cluster (MCL) i t-SNE (ang. Klastrowanie sieci warstwowych. Pacjenci będą reprezentowani jako węzeł sieci, krawędzie pomiędzy węzłami będą ważone i progowane zgodnie z podobieństwem Jaccarda. Podobieństwo zostanie obliczone na podstawie informacji o ekspresji genów, TMB i zakłóceniach pochodzących z analizy ścieżki topologicznej. Wyniki grupowania zostaną dopasowane do wyników badań immunohistochemicznych. Dane kliniczne z obserwacji (tj. wynik terapii itp.) zostaną, gdy tylko będą dostępne, również włączone do przepływu pracy w celu wymuszenia uczenia się. Wyodrębniona wiedza zostanie wykorzystana do opisywania zbioru danych wykorzystywanych do szkolenia i walidacji klasyfikacji radiomiki. Całkowita próbka zostanie poddana analizie w celu wyodrębnienia różnych podtypów molekularnych transkryptomiki (CMS1, CMS2, CMS3, CMS4) zgodnie z konsorcjum podtypów raka jelita grubego (CRC) (CRCSC), oceniającym obecność lub brak podstawowych wzorców podtypów wśród istniejącej ekspresji genów: algorytmy podtypów CRC. Zgodność między patologicznym profilem molekularnym a analizą ctDNA podczas protokołu będzie powiązana z klasyfikacją radiomiki w celu zapewnienia nowego, całościowo-diagnostycznego modelu podejścia do leczenia i nadzoru nad CRC.

Dane perspektywiczne zostaną wykorzystane do walidacji modeli sztucznej inteligencji. W przypadku modeli segmentacji współczynnik kości będzie stosowany jako wskaźnik do pomiaru stopnia nakładania się segmentacji automatycznej i eksperckiej. W przypadku modelu radiogenomicznego działanie zostanie ocenione przy użyciu dokładności, całki pod krzywą operatora odbiornika (ROC-AUC) i krzywej decyzji klinicznej. Aby wybrać najlepsze modele sztucznej inteligencji, badacze wezmą również pod uwagę reakcję na zmianę cech wejściowych i utworzą mapy istotności, na których podkreślone zostaną cechy obrazu wejściowego, które w największym stopniu przyczyniły się do klasyfikacji.

Ocena kliniczna będzie przeprowadzana co 6 miesięcy przez 2 lata, włączając regularne badania CEA w surowicy (antygen rakowo-embrionalny) i tomografię komputerową całego ciała co 6-12 miesięcy u pacjentów, u których występuje większe ryzyko nawrotu w ciągu pierwszych 3 lat po ESMO (europejskim Wytyczne Towarzystwa Onkologii Medycznej). Obliczone zostanie przeżycie wolne od choroby (DFS) i przeżycie wolne od nawrotów choroby (RFS).