Przestrzenna i czasowa charakterystyka glejaków za pomocą analizy radiomicznej (GLIO-RAD)

W proponowanym badaniu retrospektywnym analizie zostaną poddane obrazy (MRI, CT lub PET) wykonane w ramach standardowej opieki (przed leczeniem, pooperacyjnie, ocena odpowiedzi i nadzór). Baza danych DMG, w której znajdują się dane pacjentów zarejestrowanych w neuroonkologii TMC DMG, zostanie sprawdzona w celu zidentyfikowania pacjentów kwalifikujących się do badania. Przy około 500–600 glejakach obserwowanych rocznie i około 80–100 pacjentów rocznie poddawanych obrazowaniu przed leczeniem, spodziewamy się, że w latach 2010–2022 pułap będzie wynosić 1000 pacjentów, co będzie maksymalną liczbą pacjentów wykorzystaną do analizy. Wszystkie obrazy zostaną pobrane z systemu PACS przy zastosowaniu filtrów anonimizacyjnych, a dokumentacja kliniczna zostanie pobrana na podstawie przeglądu elektronicznej dokumentacji medycznej i planów radioterapii. Przeprowadzona zostanie wstępna obróbka obrazu, która obejmie rozbieranie czaszki i rejestrację w różnych modalnościach (np. MRI i CT) lub w różnych sekwencjach (np. T1C, T2W, ADC) przy użyciu sztywnych lub odkształcalnych algorytmów, najlepiej dostosowanych do modalność. Segmentacja obrazu w celu sklasyfikowania obszaru zainteresowania zostanie przeprowadzona i zweryfikowana indywidualnie przez neuroradiologa lub lekarza medycyny nuklearnej, w zależności od potrzeb. Segmentacja zostanie przeprowadzona w celu zidentyfikowania obszarów wzmacniających kontrast T1 (CE), obszarów niewzmacniających (NE) i martwicy (NEC), kierując się obszarami T1-C, T2W i T2-FLAIR. Kontury i obrazy zostaną ponownie próbkowane do jednolitej rozdzielczości dla różnych sekwencji lub modalności (np. T2W/ADC/PET), aby dopasować je albo do sekwencji 3D (np. sekwencji FSPGR), albo do dostępnych obrazów o najmniejszej grubości warstwy. Następnie zostaną zastosowane techniki normalizacji (np. normalizacja histogramu/normalizacja wyniku Z) na poszczególnych obrazach i w całym zestawie danych w celu uwzględnienia heterogeniczności obrazu, w tym natężenia pola dla MRI i różnych parametrów akwizycji obrazu. Do automatycznej segmentacji zostaną zastosowane zarówno nadzorowane, jak i nienadzorowane algorytmy uczenia maszynowego. W przypadku modelu nadzorowanego cała baza danych zostanie podzielona na kohorty szkoleniowe i testowe odpowiednio dla rozwoju modelu i aplikacji. Skuteczność zautomatyzowanego modelu zostanie przetestowana przy użyciu współczynnika podobieństwa kości między regionami segmentacji ręcznej a segmentami opartymi na sztucznej inteligencji. W przypadku prognozowania glejaków następnym krokiem będzie ekstrakcja cech, która będzie składać się z cech pierwszego rzędu (w tym kształtu, histogramu), drugiego lub wyższego rzędu (np. różnych cech tekstury, takich jak GLCM, GLDM, GLSZM itp.). lub zastosowane zostaną techniki głębokiego uczenia się. Radiomika delta obejmie czasowe zmiany cech radiomicznych z różnych punktów czasowych dla tego samego pacjenta w całej objętości i poszczególnych obszarach. Następnie zostaną zastosowane techniki redukcji i selekcji cech, takie jak LASSO i rekurencyjna eliminacja cech, aby stworzyć krótką listę cech w zależności od wielkości próby. Wyniki zostaną ustalone na podstawie modelowania zdefiniowanego dla konkretnych problemów klasowych (np. guz vs. obrzęk, nawrót vs. pseudoprogresja, wyniki, obszar zainteresowania guza vs. obszar nienowotworowy) zgodnie z informacjami klinicznymi. Jakakolwiek nierównowaga klas zostanie wyeliminowana przy użyciu metod takich jak losowe próbkowanie podzbiorów lub analiza SMOTE w celu zwiększenia danych dotyczących klasy mniejszości. Algorytmy uczenia maszynowego, takie jak LDA, k-NN, SVM, las losowy, AdaBoost itp., zostaną zastosowane pojedynczo lub w połączeniu jako klasyfikator zespolony w celu znalezienia modelu o najlepszej wydajności. Klasyfikatory głębokiego uczenia się zostaną użyte wraz z modelowaniem opartym na cechach i porównane w celu przetestowania możliwości zastosowania klasyfikatora. Do oceny stabilności modelu uczenia maszynowego zostaną zastosowane techniki walidacji, takie jak walidacja typu „pomiń jeden”, weryfikacja k-krotna i podział (na kohortę szkoleniową i testową). Analizę radiomiczną przeprowadzą specjaliści zajmujący się danymi/badacze posiadający wiedzę specjalistyczną w zakresie analizy danych. Wszystkie segmentacje zostaną wykonane przy użyciu oprogramowania typu open source, takiego jak ITK snap (itksnap.org) lub 3D Slicer (slicer.org). Ekstrakcja funkcji i modelowanie zostaną przeprowadzone przy użyciu oprogramowania typu open source, takiego jak Python (python.org). Wraz z ciągłym postępem w dziedzinie nauk obliczeniowych, współpracownicy z Indyjskiego Instytutu Statystycznego w Kalkucie, Machine Intelligence Unit, będą w stosownych przypadkach stosować dostępne, nowsze techniki i platformy analityczne, udostępniając anonimowe dane.