Sztuczna inteligencja w radioonkologii OUN (AI-RAD)

Proponowane badanie retrospektywne obejmie pacjentów leczonych radioterapią (RT) z powodu nowotworów ośrodkowego układu nerwowego (OUN). Baza danych DMG przechowująca dane dotyczące pacjentów zarejestrowanych i leczonych w neuroonkologii TMC (Tata Memorial Centre) DMG (Disease Management Group) zostanie sprawdzona w celu zidentyfikowania pacjentów kwalifikujących się do badania. Przy około 500–600 pacjentach z guzami OUN leczonych RT w TMC każdego roku, spodziewamy się, że w latach 2010–2022 pułap będzie wynosić 6000 pacjentów, co będzie maksymalną liczbą pacjentów wykorzystaną do analizy. Obrazy (CT, MRI, PET) wykorzystywane do planowania RT, obrazowania w połowie leczenia w ramach IGRT (radioterapii sterowanej obrazem) lub oceny choroby oraz oceny odpowiedzi/nadzoru po RT zostaną przeanalizowane. Plany promieniowania i histogram dawka-objętość zostaną uzyskane z TPS (System planowania leczenia). Wszystkie obrazy i dane dotyczące promieniowania zostaną pobrane z systemów PACS (Picture Archiving and Communication System) i TPS z zastosowaniem filtrów anonimizacyjnych. Cechy kliniczne (pacjent, choroba, charakterystyka związana z leczeniem i wyniki) zostaną wyodrębnione poprzez przegląd elektronicznej dokumentacji medycznej. 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. Objętości docelowe, tj. objętość guza brutto (GTV), objętość docelowa kliniczna (CTV) i objętość docelowa planowania (PTV) oraz OAR będą indywidualnie sprawdzane przez radiologów z zastosowaniem odpowiednich modyfikacji (np. wyłączenie OAR (narządów) zagrożone) zniekształcone przez chorobę lub operację) i zostaną wykorzystane do szkolenia modeli uczenia maszynowego na potrzeby uczenia się nadzorowanego. 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) w obrębie poszczególnych obrazów i całego zbioru danych, aby uwzględnić niejednorodność obrazu, w tym natężenie pola dla MRI i różne parametry akwizycji obrazu. Do autosegmentacji zastosowane zostaną 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. Ponieważ OAR można jednakowo zastosować do różnych histologii lub lokalizacji guza, trening autosegmentacji zostanie zastosowany do całego zbioru danych. Jednakże, biorąc pod uwagę różnice w wyznaczaniu objętości docelowej (np. w przypadku guzów ograniczonych i rozsianych, o niskim i wysokim stopniu złośliwości), szkolenie/testowanie w zakresie telewizorów będzie miało zastosowanie w przypadku poszczególnych jednostek chorobowych. Skuteczność zautomatyzowanego modelu zostanie przetestowana przy użyciu współczynnika podobieństwa kości między regionami segmentacji ręcznej a segmentami opartymi na sztucznej inteligencji. W celu przewidywania wyników (np. przeżycia i toksyczności) następnym krokiem będzie ekstrakcja cech z obrazów (CT, MRI, PET) odpowiadających różnym danym TV i OAR oraz danym rozkładu dawki RT przeliczonym na obraz wolumetryczny/dane liczbowe (dozjomika), które będzie składać się z pierwszego rzędu (w tym kształtu, histogramu), drugiego lub wyższego rzędu (np. różnych cech tekstury, takich jak GLCM, GLDM, GLSZM itp.) lub zostaną zastosowane 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 w oparciu o modelowanie zdefiniowane dla konkretnych problemów klasowych (np. guz vs. obrzęk, nawrót vs. pseudoprogresja, wyniki, obszar zainteresowania guza vs. obszar nienowotworowy) uzyskany na podstawie informacji klinicznych. 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). Trzecim celem projektu będzie opracowanie protokołu przechowywania zanonimizowanych danych (informacji klinicznych, obrazów planowania radioterapii i oceny odpowiedzi, danych planowania radioterapii, obrazów śródoperacyjnych, takich jak tomografia komputerowa wiązki stożkowej) w zabezpieczonym repozytorium biobanku obrazów z chronionymi przestrzeń chmur. Opracowane zostaną również algorytmy przetwarzania języka naturalnego (NLP) w celu szkolenia i walidacji modelu do ekstrakcji oraz dokumentacji zmiennych klinicznych wyodrębnionych na potrzeby badania. Wraz z ciągłym postępem w dziedzinie nauk obliczeniowych współpracownicy z Bhabha Atomic Research Centre w Bombaju będą stosownie stosować dostępne, nowsze techniki i platformy analityczne, udostępniając anonimowe dane.