Multiomiczne podejście do radiooporności wyściółczaków u dzieci i młodzieży (EPENDYMOMICS)

Oporność na leczenie skłoniła nas do przeprowadzenia ogólnokrajowego badania PEPPI (Pediatric Ependymoma Photons Protons and Imaging). PEPPI zebrał dane kliniczne, obrazowe i dozymetryczne od dzieci z wyściółczakiem wewnątrzczaszkowym leczonych we Francji w latach 2000-2013. Od tego czasu pacjenci są leczeni w ramach aktualnego prospektywnego programu SIOP II Ependymoma. Nasze wyniki kliniczne potwierdziły klasyczne kliniczne czynniki prognostyczne, w tym dawkę radioterapii, i wykazaliśmy, że biomarkery obrazowe z T2/FLAIR, MRI perfuzji i dyfuzji były nowymi czynnikami prognostycznymi. Zgłosiliśmy, że nawrót po RT występuje głównie lokalnie w regionie o wysokiej dawce. Wartość prognostyczna dawki i wysoki wskaźnik nawrotów przy standardowej dawce skłoniły nas do przeprowadzenia badania dozymetrycznego in silico eskalacji dawki, porównującego fotony i protony, potwierdzając wykonalność tego podejścia. W serii PEPPI przewidywanie miejsca nawrotu za pomocą zaawansowanego obrazowania MR nie było możliwe ze względu na małą próbkę danych obrazowych, a ostatnia klasyfikacja biomolekularna nie była dostępna. Niedawno profilowanie metylacji DNA dostarczyło nowej klasyfikacji wyściółczaka w podgrupach molekularnych o silnej wartości prognostycznej.

Projekt EPENDYMOMICS ma na celu określenie prognostycznej roli obrazowania multimodalnego, identyfikację klastrów opornych na promieniowanie, które przewidują nawrót choroby, oraz analizę powiązań między cechami radiomicznymi a markerami genomowymi, prowadząc w ten sposób do badań radiogenomicznych. Będzie opierać się na bazie danych zawierającej większą liczbę pacjentów, zwanej NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma), aby opracować podejście oparte na radiomice, tj. lub zautomatyzowane algorytmy ekstrakcji cech. Cechy te zostaną wykorzystane i połączone z innymi dostępnymi zmiennymi (klinicznymi, genetycznymi itp.) jako udoskonalone wspomaganie decyzji.

1. Zbieranie danych MRI: Diagnostyka, FU do nawrotu (format DICOM)

   - Sekwencje: T1W, T2W, FLAIR, T1W ze wzmocnieniem kontrastowym i bez, obrazowanie ważone dyfuzją (DWI), obrazowanie ważone perfuzją (PWI) Radioterapia: tomografia komputerowa, RTDOSE, RTSS, RTPLAN (format DICOM RT) Kliniczne: wiek, chirurgia, chemioterapia, dawki, późne skutki, data nawrotu Histologia: preparaty histopatologiczne barwione hematoksyliną i eozyną (H&E) Biologia molekularna: grupy metylacyjne RELA, YAP, PFA i PFB

2. Kontrola jakości danych i określenie objętości będącej przedmiotem zainteresowania w celu selekcji danych przed przetwarzaniem końcowym i analizą.

   Aby zapewnić wstępną solidną segmentację obrazu, zestaw struktur radioterapii zostanie sprawdzony dla każdego pacjenta. Radiolog kierujący potwierdzi wszystkie zmiany obrazowe po RT. Specjalista radiolog onkolog dokona segmentacji objętości nieprawidłowości po leczeniu w T1WI po kontraście, w obrazowaniu T2W/FLAIR, a także miejsce nawrotu i brakujących OAR.

3. Post-processing danych obrazowych i analiza zmian po radioterapii DWI i PWI będziemy przetwarzać za pomocą Olea Sphere®3.0 oprogramowanie, rozwiązanie do przetwarzania końcowego dla skanerów MRI i CT. Wyodrębnimy i wygenerujemy mapy pozornego współczynnika dyfuzji z danych DWI obliczonych na podstawie woksel po wokselu oraz mapy względnej objętości krwi mózgowej obliczone z danych PWI z procedurą dekompozycji wartości osobliwej indeksu oscylacji i poprawką na efekty wycieku zależne od T1.

   Wszystkie dane MRI będą ściśle współrejestrowane z T1WI-PC i planowaniem CT.

4. Harmonizacja radiomiki Dokonamy zwiększenia stopnia harmonizacji obrazów i/lub wyodrębnionych cech na wysoce heterogenicznym zbiorze danych ze względu na jego wielość źródeł.

   Opracujemy platformę opartą na GAN, tłumacząc heterogeniczne obrazy, aby dopasować je do właściwości standardowego zestawu danych, takiego jak obraz referencyjny szablonu lub alternatywnie jeden zestaw obrazów wybranych jako odniesienie. Musimy określić odpowiednie właściwości obrazów (lokalne lub globalne wskaźniki, teksturę, krawędzie, kontrast, stosunek sygnału do szumu itp.) oraz zapewnić zdolność ram do harmonizacji obrazów bez utraty ich istotnych klinicznie informacji i treści .

   W przestrzeni cech można zastosować wiele podejść statystycznych, takich jak normalizacja czy kompensacja efektu wsadowego. Wykazano, że ComBat przewyższa inne podobne podejścia i będziemy polegać na estymacji Monte Carlo dla małych próbek. Zbadamy połączenie metod korekcji partii z grupowaniem bez nadzoru, aby poradzić sobie z danymi prezentującymi bardzo dużą heterogeniczność i bardzo małą liczbę próbek na partię.

   Korzystne i uzupełniające może być połączenie metodologii harmonizacji opartych na obrazach i cechach w celu poprawy wyników wieloośrodkowych badań radiomicznych. Ocenimy potencjalne dodatkowe korzyści obu wcześniej opracowanych podejść w zakresie poprawy wyników. Celem tego zadania będzie ustalenie, czy pierwsze czy drugie podejście (lub połączenie obu) jest najbardziej efektywne, biorąc pod uwagę nie tylko bezwzględną poprawę obserwowanych wyników, ale także czas i wysiłek obliczeniowy wymagany do wdrożyć każde podejście w praktyce.

5. Analiza biomolekularna Uwzględnione zostaną zasoby biologiczne z kohort pacjentów z wyściółczakiem PEPPI i SIOPII. Najpierw zostanie potwierdzone rozpoznanie wyściółczaków wewnątrzczaszkowych, a następnie zbadane zostaną cechy patologiczne.

   Klasyfikacja wyściółczaków WHO 2020: cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) postanowiło sklasyfikować wyściółczaki według lokalizacji i podstawowej zmiany genetycznej. Obecna klasyfikacja WHO jest w trakcie rewizji.

   Badania biologiczne wymagane do sklasyfikowania wyściółczaka wewnątrzczaszkowego projektu:

   Immunohistochemia: p65-RelA, H3K27Me3. Analiza FISH (klasyfikacja i warianty liczby kopii). Profilowanie metylacji DNA. analiza RNAseq.

6. Głębokie uczenie (DL) biomarkerów molekularnych wyściółczaka W tym celu zespół Zimmer zaprojektował i wytrenował głębokie splotowe sieci neuronowe oparte na architekturze Inception V3, aby odróżnić wyściółczaka od glejaka stopnia III i IV. Wstępne wyniki oparte na zbiorze danych obrazowych wskazują na wysoką dokładność dyskryminacji i sugerują możliwość przewidywania klinicznie istotnych mutacji na podstawie samych obrazów H&E (rękopis w przygotowaniu).

   Rozszerzymy te podejścia DL, aby przewidzieć oporność na terapię i przerzuty. Zostanie to wykonane przy użyciu samych obrazów histopatologicznych jako danych wejściowych lub w połączeniu z klasyfikacjami opartymi na testach molekularnych. Na poziomie technicznym wykorzystamy najnowocześniejsze architektury głębokich sieci neuronowych oparte na warstwach konwolucyjnych i połączeniach pomijanych. Aby zrekompensować umiarkowany rozmiar zbioru danych treningowych, będziemy intensywnie korzystać z nauki transferu. Tutaj w szczególności wykorzystamy bazę danych TGCA, która zawiera obrazy z bardzo różnych nowotworów, takich jak rak piersi, i dostosujemy udane modele poprzez ponowne przeszkolenie na podzbiorze danych dotyczących wyściółczaka uzyskanych w tym badaniu. Przyjmiemy również wieloskalowe reprezentacje obrazu w celu lepszego wykorzystania informacji o obrazie na poziomie komórkowym i tkankowym, użyjemy normalizacji kolorów specyficznej dla H&E oraz metod automatycznej eliminacji obszarów podlegających artefaktom obrazowania. Zastosujemy również opracowane metody w Imjoy. Dzięki oddzieleniu graficznego interfejsu użytkownika od zaplecza obliczeniowego umożliwia użytkownikom dostęp do zaawansowanych możliwości obliczeniowych z dowolnej stacji roboczej lub laptopa.

7. Analiza statystyczna Zostanie opracowanych i zweryfikowanych kilka sygnatur: sygnatura radiomiczna (RAD-Score), sygnatura radiomiczna i kliniczna (RADClin-Score), sygnatura molekularna (wynik MOL) i sygnatura globalna (sygnatura radiomiczna, molekularna i kliniczna) .

   • Wynik RAD związany z przeżyciem bez progresji choroby (PFS). Aby uniknąć uprzedzeń, NETSPARE zbudowany na podstawie retrospektywnego badania wieloośrodkowego obejmującego niezależne kohorty jest kohortą szkoleniową. Kohorta walidacyjna do testowania wydajności sygnatury radiomicznej odpowiada brytyjskiej kohorcie programu SIOP II (n=220). Podział ten umożliwia zewnętrzną walidację.

Kohorta szkoląca: według literatury mediana PFS wynosi 5 lat. Odpowiada to 3,5-letniemu PFS wynoszącemu 62%. Przy 370 pacjentach i medianie czasu obserwacji wynoszącej 3,5 roku spodziewamy się co najmniej 120 zdarzeń. Zgodnie z praktyczną zasadą zalecającą 10 zdarzeń na zmienną będącą przedmiotem zainteresowania, można wytrenować model wieloparametryczny łączący 10 zmiennych. Do zbadania związku między parametrami obrazowania a PFS zostanie wykorzystana alternatywna strategia modelowania oparta na podejściu penalizowanym. Ponieważ dane biomarkerów obrazowania znacznie przekraczają wielkość próby i są wzajemnie skorelowane, metody karane (wcześniej stosowane w różnych sytuacjach z danymi przestrzennymi) będą wykorzystywane do regularyzacji i selekcji zmiennych, poprzez zachęcanie do efektu grupowania i wybierania zmiennych objaśniających.

Kohorta walidacyjna: oczekuje się 66 zdarzeń. Przy takiej liczbie zdarzeń możliwe jest wykrycie z mocą 80% współczynnika ryzyka 0,5 między grupą niskiego i wysokiego ryzyka (test Logranka dwustronny 0,05).

Dane demograficzne: Zmienne ciągłe zostaną podsumowane według kohorty przy użyciu mediany, minimum, maksimum i liczby dostępnych obserwacji. Zmienne jakościowe zostaną podsumowane za pomocą liczebności, procentów i liczby brakujących danych. Porównanie między kohortami zostanie przeprowadzone przy użyciu testu chi-kwadrat (lub dokładnego testu Fishera, jeśli dotyczy) dla zmiennych jakościowych i testu Manna-Whitneya dla zmiennych ilościowych.

- Opracowanie i walidacja sygnatury radiomiki: Aby zbadać związek między cechami obrazowania a PFS, użyjemy alternatywnej strategii modelowania opartej na modelu regresji Coxa z karą. Metoda Elastic Net zachęca do efektu grupowania i selekcji zmiennych objaśniających. Przeprowadzimy 10-krotną walidację krzyżową, aby wybrać najlepszy parametr kary lambda. Parametr mieszania α, inny parametr metody Elastic net, zostanie ustawiony na wartość domyślną 0,5. Współczynniki regresji związane z każdym stanem różnych zmiennych zostaną wykorzystane do określenia wyniku RAD. Ponieważ wynik jest zależny od czasu, punktacja ryzyka zostanie podzielona na dychotomię przy użyciu zależnej od czasu krzywej ROC w celu uzyskania klasyfikatora (grupy ryzyka: rokowanie złe, pośrednie i dobre). Optymalny próg został określony tak, aby po 3 latach uzyskać czułość co najmniej 80% i najlepszą specyficzność.

Walidacja interwałowa zostanie przeprowadzona przy użyciu walidacji krzyżowej typu „zostaw k-out”. Następnie zastosujemy podpis RAD-score do kohorty walidacyjnej. Wyniki punktacji będą oceniane przy użyciu różnych kryteriów: monotoniczność stratyfikacji prognostycznej ocenianej za pomocą krzywych przeżycia Kaplana-Meiera i oszacowania współczynnika ryzyka (HR), dyskryminacja oceniana za pomocą wskaźnika C Harrella i statystyki D, jakość modelu i odsetek wyjaśnionej zmienności oszacowanej odpowiednio za pomocą kryterium informacyjnego Akaike (AIC) i statystyki RD². Zdolność wyniku prognostycznego do identyfikacji pacjentów z wysokim ryzykiem nawrotu w ciągu pierwszych 3 lat zostanie oceniona poprzez określenie czułości, swoistości i wartości predykcyjnej przy użyciu zależnej od czasu krzywej ROC.

- Rozwój i walidacja RADClin-Score: Aby uwzględnić informacje kliniczne i obrazowe, połączymy zarówno niskowymiarowe kliniczne, jak i wielowymiarowe dane obrazowe w globalnym modelu prognostycznym. Po pierwsze, całkowicie zignorujemy funkcje obrazowania. Model Coxa zostanie dopasowany w celu zidentyfikowania współzmiennych klinicznych związanych z PFS. Zbudujemy kliniczny predyktor liniowy przy użyciu współczynnika regresji. Następnie użyjemy Elastic Net z klinicznym predyktorem liniowym w przesunięciu, aby zidentyfikować cechy obrazowania. Na koniec obliczymy RADClin-Score przy użyciu współczynnika regresji. Wykreślimy diagram Venna, aby porównać wybór funkcji z RADClin-Score i RAD-Score. Porównamy model przy użyciu różnych przedstawionych wcześniej kryteriów.