Искусственный интеллект в радиационной онкологии ЦНС (AI-RAD)

В предлагаемое ретроспективное исследование будут включены пациенты, получавшие лучевую терапию (ЛТ) по поводу опухолей центральной нервной системы (ЦНС). База данных DMG, в которой хранятся записи о пациентах, зарегистрированных и проходящих лечение в нейроонкологической группе TMC (Мемориальный центр Тата), DMG (Группа управления заболеваниями), будет проверена для выявления пациентов, подходящих для участия в исследовании. Учитывая, что примерно 500-600 пациентов с опухолями ЦНС ежегодно получают лучевую терапию в ТМЦ, мы ожидаем, что в 2010-2022 гг. будет достигнут потолок в 6000 пациентов, что будет максимальным количеством пациентов, использованных для анализа. Будут проанализированы изображения (КТ, МРТ, ПЭТ), используемые для планирования лучевой терапии, визуализации в середине лечения в рамках IGRT (лучевой терапии под визуальным контролем) или оценки заболевания, а также оценки ответа/наблюдения после лучевой терапии. Планы облучения и гистограмма «доза-объем» будут получены из TPS (системы планирования лечения). Все изображения и данные, связанные с радиацией, будут загружены из PACS (системы архивирования и передачи изображений) и TPS с применением фильтров анонимизации. Клинические характеристики (пациент, заболевание, характеристики лечения и исходы) будут получены путем анализа электронных медицинских записей. 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. Целевые объемы, т. е. общий объем опухоли (GTV), клинический целевой объем (CTV) и планируемый целевой объем (PTV), а также OAR, будут индивидуально рассмотрены онкологами-радиологами с внесением соответствующих изменений (например, исключение OAR (Органы) подвержены риску), искаженные болезнью или хирургическим вмешательством) и будут использоваться для обучения моделей машинного обучения для обучения с учителем. 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 применены как к отдельным изображениям, так и ко всему набору данных для учета неоднородности изображений, включая напряженность поля для МРТ и различные параметры получения изображений. Для автосегментации 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. Поскольку OAR одинаково применимы для различных гистологических участков или участков опухоли, обучение автосегментации будет применяться ко всему набору данных. Однако, учитывая различия в разграничении целевых объемов (например, для ограниченных и диффузных опухолей, низкой и высокой степени злокачественности), обучение/тестирование ТВ будет применимо для отдельных субъектов заболевания. Эффективность автоматизированной модели будет проверена с использованием коэффициента сходства кубиков между областями сегментации вручную и сегментами на основе искусственного интеллекта. Для прогнозирования результатов (например, выживаемости и токсичности) следующий шаг будет включать извлечение признаков из изображений (КТ, МРТ, ПЭТ), соответствующих различным ТВ и ОАР, а также данные о распределении дозы РТ, преобразованные в объемные изображения/числовые данные (дозиомика), которые будет состоять из первого порядка (включая форму, гистограмму), второго или более высокого порядка (например, различные функции текстуры, 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 функций и моделирование будут выполняться с использованием программного обеспечения с открытым исходным кодом, такого как Python (python.org). В качестве третичной цели проекта мы разработаем протокол для анонимного хранения данных (клиническая информация, изображения планирования облучения и оценки ответа, данные планирования облучения, изображения во время лечения, такие как компьютерная томография с конусным лучом) в защищенном хранилище биобанков изображений с защищенным облачное пространство. Кроме того, будут разработаны алгоритмы обработки естественного языка (NLP) для обучения и проверки модели для извлечения, а также документирования клинических переменных, извлеченных для исследования. Благодаря постоянному развитию вычислительной науки, доступные новые аналитические методы и платформы будут применяться по мере необходимости сотрудниками Центра атомных исследований Бхабхи в Мумбаи путем обмена анонимными данными.