Пространственная и временная характеристика глиом с использованием радиомного анализа (GLIO-RAD)

В предлагаемом ретроспективном исследовании будут проанализированы изображения (МРТ, КТ или ПЭТ), полученные в рамках стандартного лечения (до лечения, после операции, оценка ответа и наблюдение). База данных DMG, в которой хранятся записи пациентов, зарегистрированных в нейроонкологическом отделении TMC DMG, будет проверена на предмет выявления пациентов, подходящих для участия в исследовании. Учитывая примерно 500-600 глиом, наблюдаемых ежегодно, и примерно 80-100 пациентов в год, проходящих визуализацию перед лечением, мы ожидаем, что в 2010-2022 годах потолок составит 1000 пациентов, что будет максимальным количеством пациентов, использованных для анализа. Все изображения будут загружены из системы PACS с применением фильтров анонимизации, а клинические записи будут извлечены путем просмотра электронных медицинских записей и планов лучевой терапии. Будет выполнена предварительная обработка изображений, которая будет включать в себя зачистку черепа и регистрацию в различных модальностях (например, МРТ и КТ) или различные последовательности (например, T1C, T2W, ADC) будут выполняться с использованием жестких или деформируемых алгоритмов, которые лучше всего подходят для исследования. модальность. Сегментация изображения для классификации интересующей области будет выполняться и проверяться индивидуально нейрорадиологом или врачом ядерной медицины, в зависимости от ситуации. Сегментация будет выполнена для идентификации области усиления контраста T1 (CE), областей без усиления контраста (NE) и некроза (NEC), руководствуясь областями T1-C, T2W и T2-FLAIR. Контуры и изображения будут преобразованы в единое разрешение для различных последовательностей или модальностей (например, T2W/ADC/PET) для соответствия либо 3D-последовательности (например, последовательности FSPGR), либо доступным изображениям с наименьшей толщиной среза. Впоследствии методы нормализации (например, нормализация гистограммы/нормализация Z-показателя) будут применяться в рамках отдельных изображений и по всему набору данных для учета гетерогенности изображений, включая напряженность поля для МРТ и различные параметры получения изображений. Для автоматической сегментации будут применяться как контролируемые, так и неконтролируемые алгоритмы машинного обучения. Для контролируемой модели вся база данных будет разделена на обучающую и тестовую когорты для разработки модели и приложения соответственно. Эффективность автоматизированной модели будет проверена с использованием коэффициента сходства кубиков между областями сегментации вручную и сегментами на основе искусственного интеллекта. Для прогнозирования глиом следующий шаг будет включать извлечение признаков, которые будут состоять из признаков первого порядка (включая форму, гистограмму), второго порядка или более высокого порядка (например, различные текстурные признаки, такие как GLCM, GLDM, GLSZM и т. д.). или будут использоваться методы глубокого обучения. Дельта-радиомика будет включать временные изменения радиомических особенностей в разные моменты времени у одного и того же пациента в пределах всего объема и отдельных регионов. Впоследствии методы сокращения и отбора признаков, такие как LASSO и рекурсивное исключение признаков, будут использоваться для составления короткого списка количества признаков в зависимости от размера выборки. Результаты будут определены на основе моделирования, определенного для проблем конкретного класса (например, опухоль против отека, рецидив против псевдопрогрессии, исходы, область интереса опухоли против неопухолевой области), полученной на основе клинической информации. Любой дисбаланс классов будет устранен с использованием таких методов, как случайная выборка подмножества или анализ SMOTE для увеличения данных класса меньшинства. Алгоритмы машинного обучения, такие как LDA, k-NN, SVM, случайный лес, AdaBoost и т. д., будут применяться по отдельности или в комбинации в качестве ансамблевого классификатора для поиска модели с наилучшей производительностью. Классификаторы глубокого обучения будут использоваться вместе с моделированием на основе признаков и сравниваться для проверки применимости классификатора. Для оценки стабильности модели машинного обучения будут использоваться такие методы проверки, как проверка с исключением одного, k-кратная проверка и разделение (на обучающую и тестовую когорты). Радиомный анализ будет выполняться специалистами по данным/исследователями, имеющими опыт в области анализа данных. Вся сегментация будет выполняться с помощью программного обеспечения с открытым исходным кодом, такого как ITK Snap (itksnap.org). или 3D-слайсер (slicer.org). Извлечение признаков и моделирование будут выполняться с использованием программного обеспечения с открытым исходным кодом, такого как Python (python.org). Благодаря постоянному развитию вычислительной науки, доступные новые аналитические методы и платформы будут применяться по мере необходимости сотрудниками Отдела машинного интеллекта Индийского статистического института в Калькутте путем обмена анонимными данными.