RAdiogenômica baseada em inteligência artificial em tumores de cólon (ATTRACT)

O estudo ATTRACT consiste em uma parte retrospectiva e uma parte prospectiva. Na parte retrospectiva do estudo, dados radiológicos, patológicos e genômicos de 300 pacientes com câncer de cólon em estágio II-III serão usados ​​para identificar as características genéticas e radiômicas dos tumores de cólon e os desfechos clínicos como resultados do modelo preditivo.

Os tumores serão segmentados manualmente em imagens de tomografia computadorizada e utilizados para geração de modelo de IA (inteligência artificial). As anotações patológicas serão associadas aos perfis anonimizados correspondentes. A imunohistoquímica será usada para classificar as amostras nos 4 subtipos moleculares de acordo. Perfis de RNA-seq também serão gerados a partir de amostras de tecido por meio de transcriptômica direcionada usando painéis NGS (sequenciamento de próxima geração) personalizados projetados especificamente para avaliar a expressão gênica e avaliar a carga mutacional tumoral (TMB). Os dados brutos serão processados ​​e modelados usando Análise de Via Topológica para estratificar os pacientes de acordo com as características moleculares relevantes e definir anotações moleculares que serão usadas para treinar o modelo para a identificação de grupos específicos clinicamente relevantes. Dados brutos juntamente com dados radiológicos serão usados ​​para gerar e treinar os modelos de IA para a segmentação automatizada e a extração da assinatura radiogenômica.

As características radiômicas serão extraídas de tumores segmentados manualmente. Serão usadas ferramentas PyRadiomics padrão, bem como ferramentas personalizadas. A robustez dos recursos será garantida selecionando apenas aqueles com alta correlação estatística entre observadores. Serão geradas duas famílias de modelos de IA, uma família dedicada à segmentação e outra dedicada à fenotipagem baseada em radiogenômica de acordo com os dados clínicos, de biologia molecular e patológicos disponíveis. As duas famílias serão fundidas para a criação do modelo ATTRACT AI. Para a geração desses modelos serão aplicadas arquiteturas específicas de redes neurais convolucionais (CNN) baseadas em aprendizagem profunda (DL) e Inteligência Artificial como UNet e MaskNet. O treinamento será realizado utilizando segmentações manuais de ROI (região de interesse) como base. Para a geração de modelos de análise radiogenômica, as características radiômicas e genômicas serão combinadas usando diferentes algoritmos multivariados. O classificatório será treinado para reconhecer os subtipos de câncer e desfechos clínicos.

Na parte prospectiva do estudo, pacientes com câncer de cólon em estágio II-III serão recrutados e serão submetidos a um exame de tomografia computadorizada com contraste pré-operatório. A taxa de recrutamento será de 70 pacientes por ano, para um total de 210 pacientes. Após a TC pré-operatória, a cirurgia será realizada de acordo com protocolos padrão internacionais. Eventualmente, a terapia adjuvante será considerada seguindo as diretrizes atuais. A amostra patológica da inscrição prospectiva será analisada. Primeiro, com dados de RNA-seq, TMB (de genes codificadores) e dados clínicos, os pacientes serão agrupados fazendo uso de duas técnicas diferentes, algoritmo Markov Cluster (MCL) e t-SNE (incorporação estocástica de vizinho distribuída em t), Multi- Clustering de rede em camadas. Os pacientes serão representados como nós de uma rede, as arestas entre os nós serão ponderadas e delimitadas de acordo com a Similaridade de Jaccard. A similaridade será calculada com base na expressão gênica, TMB e informações de perturbação provenientes da análise de vias topológicas. Os resultados do agrupamento serão comparados com os provenientes da imunohistoquímica. Dados de acompanhamento clínico (ou seja, resultado da terapia, etc...) serão, uma vez disponíveis, também conectados ao fluxo de trabalho para reforçar o aprendizado. O conhecimento extraído será utilizado para anotar o conjunto de dados utilizado para treinar e validar a classificação radiômica. A amostra bruta será analisada a fim de extrair diferentes subtipos moleculares transcriptômicos (CMS1, CMS2, CMS3, CMS4) de acordo com o Consórcio de Subtipagem de Câncer Colorretal (CRC) (CRCSC) avaliando a presença ou ausência de padrões de subtipos centrais entre os genes existentes expressão- algoritmos de subtipagem CRC baseados. A conformidade entre o perfil molecular patológico e a análise de ctDNA durante o protocolo estará relacionada à classificação radiômica, a fim de fornecer um novo modelo de abordagem diagnóstica completa no tratamento e vigilância do CRC.

Dados prospectivos serão usados ​​para validar os modelos de IA. Para os modelos de segmentação, o Coeficiente de Dados será utilizado como indicador para medir o grau de sobreposição entre a segmentação automatizada e a segmentação especializada. Para o modelo radiogenômico, o desempenho será avaliado por meio de precisão, integral sob a curva do operador do receptor (ROC-AUC) e curva de decisão clínica. Os investigadores também levarão em consideração, para selecionar os melhores modelos de IA, a resposta à variação das características de entrada e produzirão mapas de saliência onde serão destacadas as características da imagem de entrada que mais contribuíram para a classificação.

A avaliação clínica será realizada a cada 6 meses durante 2 anos, incluindo testes séricos regulares de CEA (antígeno carcinoembrionário) e TC de corpo inteiro a cada 6-12 meses em pacientes com maior risco de recorrência nos primeiros 3 anos após ESMO (Europeia). Diretrizes da Society for Medical Oncology). A sobrevida livre de doença (DFS) e a sobrevida livre de recidiva (RFS) serão calculadas.