Искусственная интеллектуальная радиогеномика при опухолях толстой кишки (ATTRACT)

Исследование ATTRACT состоит из ретроспективной и проспективной частей. В ретроспективной части исследования данные радиологии, патологии и геномики 300 пациентов с раком толстой кишки II-III стадии будут использоваться для идентификации генетических и радиомиктических особенностей опухолей толстой кишки и клинических конечных точек в качестве результатов прогностической модели.

Опухоли будут сегментированы вручную на компьютерных изображениях и использованы для создания модели искусственного интеллекта. Патологические аннотации будут связаны с соответствующими анонимизированными профилями. Иммуногистохимия будет использоваться для классификации образцов по 4 молекулярным подтипам в соответствии с ними. Профили секвенирования РНК также будут генерироваться из образцов тканей посредством целевой транскриптомики с использованием специальных панелей NGS (секвенирования следующего поколения), специально разработанных для оценки экспрессии генов и оценки мутационной нагрузки опухоли. (ТМБ). Необработанные данные будут обработаны и смоделированы с использованием анализа топологических путей для стратификации пациентов в соответствии с соответствующими молекулярными особенностями и определения молекулярных аннотаций, которые будут использоваться для обучения модели идентификации конкретных клинически значимых групп. Необработанные данные вместе с радиологическими данными будут использоваться для создания и обучения ИИ-моделей для автоматической сегментации и извлечения радиогеномных сигнатур.

Радиомикологические характеристики будут извлечены из вручную сегментированных опухолей. Будут использоваться как стандартные инструменты PyRadiomics, так и специальные инструменты. Надежность функций будет гарантирована за счет выбора только тех, которые имеют высокую статистическую корреляцию между наблюдателями. Будут созданы два семейства моделей искусственного интеллекта: одно семейство предназначено для сегментации, а другое — для фенотипирования на основе радиогеномики в соответствии с имеющимися клиническими, молекулярно-биологическими и патологоанатомическими данными. Два семейства будут объединены для создания AI-модели ATTRACT. Для создания этих моделей будут применяться конкретные архитектуры сверточных нейронных сетей (CNN), основанные на глубоком обучении (DL) и искусственном интеллекте, такие как UNet и MaskNet. Обучение будет проводиться с использованием ручной сегментации ROI (области интереса) в качестве базовой истины. Для создания моделей радиогеномного анализа радиомикальные и геномные характеристики будут объединены с использованием различных многомерных алгоритмов. Классификатор будет обучен распознавать подтипы рака и клинические конечные точки.

В проспективную часть исследования будут набраны пациенты с раком толстой кишки II-III стадии, которые пройдут предоперационное КТ-обследование с контрастированием. Скорость набора составит 70 пациентов в год, всего 210 пациентов. После предоперационной КТ операция будет выполнена по международным стандартным протоколам. В конечном итоге адъювантная терапия будет рассмотрена в соответствии с текущими рекомендациями. Патологический образец предполагаемого набора будет проанализирован. Во-первых, на основе данных секвенирования РНК, TMB (кодирующих генов) и клинических данных пациенты будут кластеризованы с использованием двух различных методов: алгоритма Марковского кластера (MCL) и t-SNE (t-распределенное стохастическое встраивание соседей), мульти- Кластеризация слоев сети. Пациенты будут представлены как узлы сети, ребра между узлами будут взвешены и определены пороговые значения в соответствии со сходством Жаккара. Сходство будет рассчитываться на основе информации об экспрессии генов, TMB и возмущениях, полученных в результате анализа топологических путей. Результаты кластеризации будут сопоставлены с результатами иммуногистохимии. Данные клинического наблюдения (т.е. результаты терапии и т. д.), как только они станут доступны, также будут включены в рабочий процесс для обеспечения эффективности обучения. Извлеченные знания будут использоваться для аннотирования набора данных, используемого для обучения и проверки классификации радиомики. Общий образец будет проанализирован для выделения различных молекулярных подтипов транскриптомики (CMS1, CMS2, CMS3, CMS4) в соответствии с Консорциумом по подтипированию колоректального рака (CRC) (CRCSC), оценивающим наличие или отсутствие паттернов основных подтипов среди существующих экспрессий генов. алгоритмы подтипирования CRC. Соответствие между патологическим молекулярным профилем и анализом ктДНК во время протокола будет связано с радиомикальной классификацией, чтобы обеспечить новую целостную диагностическую модель подхода к лечению и наблюдению за КРР.

Перспективные данные будут использоваться для проверки моделей ИИ. Для моделей сегментации коэффициент Дайса будет использоваться в качестве индикатора для измерения степени совпадения между автоматизированной и экспертной сегментацией. Для модели радиогеномики характеристики будут оцениваться с использованием точности, интеграла под кривой оператора приемника (ROC-AUC) и кривой клинического решения. Чтобы выбрать лучшие модели ИИ, исследователи также примут во внимание реакцию на изменение входных характеристик и создадут карты значимости, на которых будут выделены особенности входного изображения, которые в наибольшей степени способствовали классификации.

Клиническая оценка будет проводиться каждые 6 месяцев в течение 2 лет, включая регулярные тесты сыворотки CEA (раково-эмбриональный антиген) и КТ всего тела каждые 6-12 месяцев у пациентов с более высоким риском рецидива в первые 3 года после ESMO (Европейский Рекомендации Общества медицинской онкологии. Будут рассчитаны безрецидивная выживаемость (DFS) и безрецидивная выживаемость (RFS).