Abordagem Multiômica para Radiorresistência de Ependimomas em Crianças e Adolescentes (EPENDYMOMICS)

A resistência ao tratamento nos levou a realizar o estudo nacional PEPPI (Pediatric Ependymoma Photons Protons and Imaging). O PEPPI coletou dados clínicos, de imagem e dosimetria de crianças com ependimoma intracraniano tratadas na França entre 2000 e 2013. Desde então, os pacientes são tratados no atual programa prospectivo SIOP II Ependymoma. Nossos resultados clínicos confirmaram os fatores prognósticos clínicos clássicos, incluindo a dose de radioterapia, e mostramos que os biomarcadores de imagem de T2/FLAIR, perfusão e difusão MRI foram novos fatores prognósticos. Relatamos que a recidiva após RT ocorre principalmente localmente na região de alta dose. O valor prognóstico da dose e a alta taxa de recaída com a dose padrão nos levaram a realizar um estudo de dosimetria in silico de escalonamento de dose comparando fótons e prótons, confirmando a viabilidade dessa abordagem. Na série PEPPI, a previsão do local da recidiva com RM avançada não foi possível devido à pequena amostra de dados de imagem e a recente classificação biomolecular não estava disponível. Recentemente, o perfil de metilação do DNA forneceu uma nova classificação de ependimoma em subgrupos moleculares com forte valor prognóstico.

O projeto EPENDYMOMICS visa determinar o papel prognóstico da imagem multimodal, identificar clusters radiorresistentes preditivos de recidiva e analisar a ligação entre características radiômicas e marcadores genômicos, levando a um estudo radiogenômico. Ele se baseará em um banco de dados com um número maior de pacientes chamado NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) para desenvolver uma abordagem radiômica, ou seja, prever desfechos clínicos com base em recursos quantitativos extraídos de imagens médicas usando métodos artesanais ou algoritmos automatizados de extração de recursos. Estas características serão exploradas e combinadas com outras variáveis ​​disponíveis (clínicas, genéticas, etc.) como melhor suporte à decisão.

1. Coleta de dados RM: Diagnóstico, FU até recidiva (formato DICOM)

   - Sequências: T1W, T2W, FLAIR, T1W com e sem realce de contraste, imagem ponderada por difusão (DWI), imagem ponderada por perfusão (PWI) Radioterapia: tomografia computadorizada, RTDOSE, RTSS, RTPLAN (formato DICOM RT) Clínica: idade, cirurgia, quimioterapia, doses, efeitos tardios, data da recaída Histologia: Lâminas de histopatologia coradas com Hematoxilina e Eosina (H&E) Biologia Molecular: Grupos de metilação RELA, YAP, PFA e PFB

2. Verificação da qualidade dos dados e delimitação do volume de interesse para selecionar os dados antes do pós-processamento e análise.

   Para garantir uma segmentação preliminar robusta da imagem, o conjunto de estruturas de radioterapia será verificado para cada paciente. O radiologista responsável confirmará todas as alterações de imagem após a RT. Um oncologista especialista em radiação segmentará volumes de anormalidades pós-tratamento em T1WI pós-contraste, em imagens T2W/FLAIR, bem como local de recidiva e OARs ausentes.

3. Pós-processamento dos dados de imagem e análise das alterações após a radioterapia Processaremos o DWI e o PWI com o Olea Sphere®3.0 software, uma solução de pós-processamento para scanners de ressonância magnética e tomografia computadorizada. Extrairemos e geraremos mapas de Coeficiente de Difusão Aparente a partir de dados DWI calculados com base em voxel por voxel e mapas relativos de volume sanguíneo cerebral calculados a partir de dados PWI com uma rotina de decomposição de valor singular de índice de oscilação e correção para efeitos de vazamento ponderados em T1.

   Todos os dados de RM serão estritamente co-registrados com o T1WI-PC e TC de planejamento.

4. Harmonização radiômica Faremos o aumento do nível de harmonização de imagens e/ou feições extraídas em bases de dados altamente heterogêneas devido a suas múltiplas fontes.

   Desenvolveremos uma estrutura baseada em GAN, traduzindo imagens heterogêneas para corresponder às propriedades de um conjunto de dados padrão, como uma imagem de modelo de referência ou, alternativamente, um conjunto de imagens escolhido como referência. Precisamos determinar as propriedades relevantes nas imagens (métrica local ou global, textura, bordas, contraste, relação sinal-ruído, etc.) .

   No espaço de recursos, várias abordagens estatísticas podem ser aplicadas, como normalização ou compensação de efeito de lote. O ComBat demonstrou superar outras abordagens semelhantes e contaremos com a estimativa de Monte Carlo para pequenas amostras. Investigaremos a combinação dos métodos de correção de lotes com agrupamento não supervisionado para lidar com dados que apresentam heterogeneidade muito alta e um número muito pequeno de amostras por lote.

   Pode ser benéfico e complementar combinar metodologias de harmonização baseadas em imagens e características para melhorar os resultados de estudos radiômicos multicêntricos. Avaliaremos o potencial benefício agregado de ambas as abordagens desenvolvidas anteriormente na melhoria dos resultados. O objetivo desta tarefa será estabelecer se a primeira ou a segunda abordagem (ou a combinação de ambas) é a mais eficiente, levando em consideração não apenas a melhora absoluta observada nos resultados, mas também o tempo de computação e o esforço necessários para implementar cada abordagem na prática.

5. Análise biomolecular Recursos biológicos de coortes de pacientes com ependimoma PEPPI e SIOPII serão incluídos. Primeiro, o diagnóstico de ependimomas intracranianos será confirmado e, em seguida, as características patológicas serão investigadas.

   Classificação de ependimomas da OMS 2020: o cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) decidiu classificar os ependimomas de acordo com a localização e a alteração genética subjacente. A classificação atual da OMS está em revisão.

   Estudos biológicos necessários para classificar o ependimoma intracraniano do projeto:

   Imuno-histoquímica: p65-RelA, H3K27Me3. Análise FISH (classificação e variações do número de cópias). Perfil de metilação do DNA. Análise de RNAseq.

6. Aprendizagem profunda (DL) para biomarcadores moleculares de ependimoma Para esse fim, a equipe da Zimmer projetou e treinou redes neurais convolucionais profundas com base na arquitetura Inception V3 para distinguir ependimoma de glioma graus III e IV. Os resultados preliminares baseados em um conjunto de dados de imagem indicam uma alta precisão de discriminação e sugerem a possibilidade de prever mutações clinicamente relevantes apenas a partir de imagens de H&E (manuscrito em preparação).

   Vamos estender essas abordagens DL para prever a resistência à terapia e metástase. Isso será feito usando apenas as imagens de histopatologia como entrada ou em combinação com classificações baseadas em ensaios moleculares. A nível técnico, usaremos arquiteturas de redes neurais profundas de última geração baseadas em camadas convolucionais e conexões de salto. Para compensar o tamanho moderado do conjunto de dados de treinamento, faremos uso intenso de aprendizado por transferência. Aqui, faremos uso específico do banco de dados TGCA, que contém imagens de cânceres muito diferentes, como câncer de mama, e adaptaremos modelos bem-sucedidos retreinando um subconjunto dos dados de ependimoma adquiridos neste estudo. Também adotaremos representações de imagem multiescala para uma melhor exploração da informação da imagem em níveis celulares e teciduais, usaremos normalização de cores específicas de H&E e métodos para eliminação automatizada de regiões sujeitas a artefatos de imagem. Também iremos incorporar os métodos desenvolvidos no Imjoy. Ao desacoplar a interface gráfica do usuário do back-end computacional, ele permite que os usuários acessem recursos de computação de ponta a partir de qualquer estação de trabalho ou laptop.

7. Análise estatística Várias assinaturas serão desenvolvidas e validadas: uma assinatura radiômica (RAD-Score), uma assinatura radiômica e clínica (RADClin-Score), uma assinatura molecular (MOL-score) e uma assinatura global (assinatura radiômica, molecular e clínica) .

   • RAD-Score associado à sobrevida livre de progressão (PFS). Para evitar vieses, o NETSPARE construído a partir de um estudo multicêntrico retrospectivo, incluindo coortes independentes, é uma coorte de treinamento. A coorte de validação para testar o desempenho da assinatura radiômica corresponde à coorte do Reino Unido do Programa SIOP II (n=220). Esta divisão permite a validação externa.

Coorte de treinamento: a PFS mediana é estimada em 5 anos na literatura. Isso corresponde a uma PFS de 3,5 anos de 62%. Com 370 pacientes e seguimento médio de 3,5 anos, esperamos pelo menos 120 eventos. De acordo com a regra prática que recomenda 10 eventos por variável de interesse, um modelo multiparamétrico combinando 10 variáveis ​​pode ser treinado. Uma estratégia de modelagem alternativa baseada em uma abordagem penalizada será usada para estudar a associação entre parâmetros de imagem e PFS. Como os dados de biomarcadores de imagem excedem em muito o tamanho da amostra e são intercorrelacionados, métodos penalizados (anteriormente usados ​​em diferentes situações com dados espaciais) serão usados ​​para a regularização e seleção de variáveis, estimulando o efeito de agrupamento e selecionando variáveis ​​explicativas.

Coorte de validação: são esperados 66 eventos. Com esse número de eventos, é possível detectar com 80% de poder uma taxa de risco de 0,5 entre o grupo de baixo e alto risco (teste de Logrank bilateral 0,05).

Dados demográficos: Variáveis ​​contínuas serão resumidas por coorte usando mediana, mínimo, máximo e número de observações disponíveis. As variáveis ​​qualitativas serão resumidas usando contagens, porcentagens e número de dados ausentes. A comparação entre as coortes será realizada usando o teste qui-quadrado (ou teste exato de Fisher, se aplicável) para variáveis ​​qualitativas e o teste de Mann-Whitney para variáveis ​​quantitativas.

- Desenvolvimento e validação de assinatura radiômica: Para estudar a associação entre características de imagem e PFS, usaremos uma estratégia de modelagem alternativa baseada no modelo de regressão de Cox penalizado. O método Elastic Net encoraja o efeito de agrupamento e seleciona variáveis ​​explicativas. Faremos uma validação cruzada de 10 vezes para selecionar o melhor parâmetro de penalidade lambda. O parâmetro de mistura α, outro parâmetro do método Elastic net, será definido para um valor padrão de 0,5. Os coeficientes de regressão associados a cada estado das diferentes variáveis ​​serão usados ​​para determinar o escore RAD. Como o resultado depende do tempo, o escore de risco será dicotomizado usando uma curva ROC dependente do tempo para obter um classificador (grupos de risco: prognóstico ruim x intermediário x bom). O limite ideal foi determinado para obter em 3 anos uma sensibilidade de pelo menos 80% e a melhor especificidade.

Uma validação de intervalo será realizada usando uma validação cruzada leave k-out. Em seguida, aplicaremos a assinatura de pontuação RAD à coorte de validação. Os desempenhos do escore serão avaliados usando diferentes critérios: monotonicidade da estratificação prognóstica avaliada por meio de curvas de sobrevivência de Kaplan-Meier e estimativa de Hazard Ratio (HR), discriminação avaliada por Harrell's C-Index e estatísticas D, qualidade do modelo e a proporção de variação explicada estimada pelo Critério de Informação de Akaike (AIC) e pela estatística RD², respectivamente. A capacidade do escore prognóstico para identificar pacientes com alto risco de recidiva durante os primeiros 3 anos será avaliada pela determinação da sensibilidade, especificidade e valor preditivo usando uma curva ROC dependente do tempo.

- Desenvolvimento e validação do RADClin-Score: Para incorporar informações clínicas e de imagem, combinaremos dados clínicos de baixa dimensão e de imagem de alta dimensão em um modelo de previsão global. Primeiro, vamos ignorar completamente os recursos de imagem. Um modelo de Cox será ajustado para identificar covariáveis ​​clínicas associadas à PFS. Construiremos um preditor linear clínico usando um coeficiente de regressão. Em seguida, usaremos o Elastic Net com o preditor linear clínico em offset para identificar recursos de imagem. Finalmente, calcularemos o RADClin-Score usando um coeficiente de regressão. Traçaremos um diagrama de Venn para comparar a seleção de recursos com o RADClin-Score e o RAD-Score. Vamos comparar o modelo usando os diferentes critérios apresentados anteriormente.