Caracterização Espacial e Temporal de Gliomas Utilizando Análise Radiômica (GLIO-RAD)

No estudo retrospectivo proposto, serão analisadas imagens (ressonância magnética, tomografia computadorizada ou PET) realizadas como parte do tratamento padrão (pré-tratamento, pós-operatório, avaliação de resposta e vigilância). O banco de dados DMG que mantém registros de pacientes cadastrados no TMC neuro-oncologia DMG será avaliado para identificar os pacientes elegíveis para o estudo. Com aproximadamente 500-600 gliomas observados anualmente e aproximadamente 80-100 pacientes/ano com imagens pré-tratamento, esperamos um teto de 1.000 pacientes durante 2010-2022, que será o número máximo de pacientes utilizados para a análise. Todas as imagens serão baixadas do PACS aplicando filtros de anonimato, com registros clínicos extraídos por revisão de prontuários eletrônicos e planos de radiação. Será feito pré-processamento de imagens, que incluirá remoção e registro do crânio em diferentes modalidades (por exemplo, ressonância magnética e tomografia computadorizada) ou diferentes sequências (por exemplo, T1C, T2W, ADC) serão feitas usando algoritmos rígidos ou deformáveis, conforme melhor adequado para o modalidade. A segmentação de imagens para classificar a região de interesse será feita e verificada individualmente por um neurorradiologista ou médico de medicina nuclear conforme apropriado. As segmentações serão feitas para identificar região de realce de contraste (CE) em T1, regiões de não realce (NE) e necrose (NEC) guiadas pelas áreas T1-C, T2W e T2-FLAIR. Os contornos e as imagens serão reamostrados para uma resolução uniforme para diferentes sequências ou modalidades (por exemplo, T2W/ADC/PET) para corresponder à sequência 3D (por exemplo, sequência FSPGR) ou às imagens disponíveis com a menor espessura de corte. Posteriormente, técnicas de normalização (por exemplo, normalização de histograma/normalização de pontuação Z) serão realizadas nas imagens individuais e em todo o conjunto de dados para levar em conta a heterogeneidade da imagem, incluindo intensidade de campo para ressonância magnética e diferentes parâmetros de aquisição de imagem. Para segmentação automática, serão aplicados algoritmos de aprendizado de máquina supervisionados e não supervisionados. Para o modelo supervisionado, todo o banco de dados será dividido em coortes de treinamento e teste para o modelo e desenvolvimento do aplicativo, respectivamente. A eficácia do modelo automatizado será testada usando o coeficiente de similaridade de dados entre regiões de segmentação manual e segmentos baseados em IA. Para prognóstico de gliomas, a próxima etapa incluirá a extração de características, que consistirá em primeira ordem (incluindo forma, histograma), segunda ordem ou ordem superior (por exemplo, diferentes características de textura como GLCM, GLDM, GLSZM, etc.) , ou técnicas de aprendizagem profunda serão empregadas. A radiômica delta incluirá mudanças temporais nas características radiômicas de diferentes pontos no tempo para o mesmo paciente em todo o volume e regiões individuais. Posteriormente, técnicas de redução e seleção de recursos como LASSO, eliminação recursiva de recursos serão usadas para selecionar o número de recursos dependendo do tamanho da amostra. Os resultados serão decididos com base na modelagem definida para problemas de classe específicos (por exemplo, tumor vs. edema, recorrência vs. pseudoprogressão, resultados, região tumoral de interesse vs. área não tumoral) conforme obtidos a partir das informações clínicas. Qualquer desequilíbrio de classe será resolvido usando métodos como amostragem aleatória de subconjuntos ou análise SMOTE para aumento de dados da classe minoritária. Algoritmos de aprendizado de máquina como LDA, k-NN, SVM, floresta aleatória, AdaBoost, etc., serão aplicados individualmente ou em combinação como um classificador conjunto para encontrar o modelo com melhor desempenho. Classificadores de aprendizagem profunda serão usados ​​junto com modelagem baseada em recursos e comparados para testar a aplicabilidade do classificador. Técnicas de validação como validação deixar um de fora, validação k-fold e divisão (em coorte de treinamento e teste) serão usadas para avaliar a estabilidade do modelo de aprendizado de máquina. A análise radiômica será feita por cientistas de dados/investigadores de estudo com experiência em análise de dados. Todas as segmentações serão feitas em software de código aberto como ITK snap (itksnap.org) ou Fatiador 3D (slicer.org). A extração e modelagem de recursos serão feitas usando software de código aberto como Python (python.org). Com os avanços contínuos na ciência computacional, as novas técnicas e plataformas analíticas disponíveis serão aplicadas conforme apropriado por colaboradores do Instituto Estatístico Indiano, Calcutá, Unidade de Inteligência de Máquina, por meio do compartilhamento de dados anonimizados.