Inteligência Artificial em Oncologia de Radiação do SNC (AI-RAD)

No estudo retrospectivo proposto, serão incluídos pacientes tratados com Radioterapia (RT) para tumores do Sistema Nervoso Central (SNC). O banco de dados DMG que mantém registros de pacientes registrados e tratados no TMC (Tata Memorial Center) neuro oncologia DMG (Disease Management Group) será selecionado para identificar os pacientes elegíveis para o estudo. Com aproximadamente 500-600 pacientes com tumores do SNC tratados com RT em TMC todos os anos, esperamos um teto de 6.000 pacientes durante 2010-2022, que será o número máximo de pacientes utilizados para a análise. As imagens (TC, ressonância magnética, PET) usadas para planejamento de RT, imagens intermediárias do tratamento como parte de IGRT (radioterapia guiada por imagem) ou avaliação da doença e avaliação de resposta/vigilância pós-RT serão analisadas. Os planos de radiação e o histograma dose-volume serão obtidos no TPS (Treatment Planning System). Todas as imagens e dados relacionados à radiação serão baixados do PACS (Picture Archiving and Communication System) e TPS, aplicando filtros de anonimato. As características clínicas (paciente, doença, características relacionadas ao tratamento e resultados) serão extraídas pela revisão de registros médicos eletrônicos. 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. Os volumes alvo, ou seja, volume tumoral bruto (GTV), volume alvo clínico (CTV) e volume alvo de planejamento (PTV), e OARs serão revisados ​​individualmente por oncologistas de radiação com modificações aplicadas conforme apropriado (por exemplo, exclusão de OARs (órgãos em risco) distorcidos por doença ou cirurgia) e serão usados ​​para treinar os modelos de aprendizado de máquina para aprendizado supervisionado. 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. Como os OARs são uniformemente aplicáveis ​​para diferentes locais histológicos ou tumorais, o treinamento de autossegmentação será aplicado a todo o conjunto de dados. No entanto, dado que existem variações nas delimitações do volume alvo (por exemplo, para tumores circunscritos vs. tumores difusos, baixo grau vs. alto grau), o treino/teste para TVs será aplicável para entidades de doença individuais. 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 previsão de resultados (por exemplo, sobrevivência e toxicidades), o próximo passo incluirá a extração de características de imagens (TC, RM, PET) correspondentes a diferentes TV e OARs e dados de distribuição de dose de RT convertidos em dados volumétricos de imagem/número (dosiômica), que consistirá em primeira ordem (incluindo forma, histograma), segunda ordem ou ordem superior (por exemplo, diferentes recursos de textura como GLCM, GLDM, GLSZM, etc.), ou serão empregadas técnicas de aprendizado profundo. 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). Como objetivo terciário do projeto, desenvolveremos um protocolo para armazenamento anonimizado de dados (informações clínicas, imagens de planejamento de radiação e avaliação de resposta, dados de planejamento de radiação, imagens intra-tratamento como tomografia computadorizada de feixe cônico) em um repositório seguro de biobanco de imagens com proteção espaço de nuvem. Além disso, serão desenvolvidos algoritmos de processamento de linguagem natural (PNL) para treinar e validar o modelo para extração e documentação das variáveis ​​clínicas extraídas para o estudo. Com os avanços contínuos na ciência computacional, as novas técnicas e plataformas analíticas disponíveis serão aplicadas conforme apropriado pelos colaboradores do Bhabha Atomic Research Centre, Mumbai, através do compartilhamento de dados anonimizados.