Artificiell intelligens-baserad radiogenomik i kolontumörer (ATTRACT)

ATTRACT-försöket består av en retrospektiv och en prospektiv del. I den retrospektiva delen av studien kommer radiologi, patologi och genomik data från 300 patienter med stadium II-III koloncancer att användas för att identifiera de genetiska och radiomikromatiska egenskaperna hos kolontumörer och de kliniska effektmåtten som resultat av den prediktiva modellen.

Tumörer kommer att segmenteras manuellt på CT-bilder och användas för AI (artificiell intelligens)-modellgenerering. Patologiska kommentarer kommer att kopplas till motsvarande anonymiserade profiler. Immunhistokemi kommer att användas för att klassificera proverna i de 4 molekylära subtyperna enligt. RNA-seq-profiler kommer också att genereras från vävnadsprover genom målinriktad transkriptomik med hjälp av anpassade NGS-paneler (nästa generations sekvensering) speciellt utformade för att utvärdera genuttryck och bedöma tumörmutationsbörda (TMB). Rådata kommer att bearbetas och modelleras med hjälp av Topological Pathway Analysis för att stratifiera patienter enligt relevanta molekylära egenskaper och definiera molekylära kommentarer som kommer att användas för att träna modellen för identifiering av specifika kliniskt relevanta grupper. Rådata tillsammans med radiologiska data kommer att användas för att generera och träna AI-modellerna för automatiserad segmentering och extraktion av radiogenomiksignaturen.

Radiomik-funktioner kommer att extraheras från manuellt segmenterade tumörer. Standard PyRadiomics-verktyg samt skräddarsydda verktyg kommer att användas. Funktionens robusthet kommer att garanteras genom att endast välja de med hög statistisk korrelation mellan observatörer. Två familjer av AI-modeller kommer att genereras, en familj dedikerad till segmentering och den andra dedikerad till radiogenomik-baserad fenotypning enligt tillgängliga kliniska, molekylärbiologiska och patologiska data. De två familjerna kommer att slås samman för skapandet av ATTRACT AI-modellen. För genereringen av dessa modeller kommer specifika CNN-arkitekturer (convolutional neural network) baserade på djupinlärning (DL) och artificiell intelligens som UNet och MaskNet att tillämpas. Utbildningen kommer att utföras med hjälp av de manuella ROI-segmenteringarna (region av intresse) som grundsanning. För generering av radiogenomiska analysmodeller kommer radiomik och genomiska egenskaper att kombineras med hjälp av olika multivariata algoritmer. Klassificeringsorganet kommer att tränas för att känna igen cancersubtyperna och kliniska effektmått.

I den prospektiva delen av studien kommer patienter med stadium II-III koloncancer att rekryteras och genomgå en preoperativ kontrastförstärkt CT-undersökning. Rekryteringstakten kommer att vara 70 patienter per år, totalt 210 patienter. Efter preoperativ CT kommer operation att utföras enligt internationella standardprotokoll. Så småningom kommer adjuvant terapi att övervägas enligt gällande riktlinjer. Patologiskt prov av den blivande inskrivningen kommer att analyseras. Först, med RNA-seq-data, TMB (av kodande gener) och kliniska data, kommer patienter att klustras genom att använda två olika tekniker Markov Cluster-algoritmen (MCL) och t-SNE (t-fördelad stokastisk granninbäddning), Multi- Lager nätverksklustring. Patienter kommer att representeras som noder i ett nätverk, kanter mellan noder kommer att viktas och tröskelvärdas enligt Jaccard Similarity. Likheten kommer att beräknas ovanpå genuttryck, TMB och störningsinformation som kommer från Topological Pathway Analysis. Resultaten av klustringen kommer att matchas med de som kommer från immunhistokemi. Kliniska uppföljningsdata (dvs. resultatet av terapin etc...) kommer, när det är tillgängligt, också att kopplas in i arbetsflödet för att genomdriva inlärningen. Utvunnen kunskap kommer att användas för att kommentera datamängden som används för att träna och validera radiomikklassificeringen. Bruttoprov kommer att analyseras för att extrahera olika transkriptomiska molekylära subtyper (CMS1, CMS2, CMS3, CMS4) i enlighet med Colorectal Cancer (CRC) Subtyping Consortium (CRCSC) som bedömer närvaron eller frånvaron av kärnsubtypmönster bland existerande genuttryck- baserade CRC-subtypningsalgoritmer. Överensstämmelsen mellan patologisk molekylär profil och ctDNA-analys under protokollet kommer att relateras till radiomikklassificering för att tillhandahålla en ny heldiagnostisk modell för tillvägagångssätt vid CRC-behandling och övervakning.

Prospektiva data kommer att användas för att validera AI-modellerna. För segmenteringsmodellerna kommer tärningskoefficienten att användas som en indikator för att mäta graden av överlappning mellan den automatiserade och expertsegmenteringen. För radiogenomikmodellen kommer prestanda att utvärderas med hjälp av noggrannhet, integral under mottagarens operatörskurva (ROC-AUC) och klinisk beslutskurva. Utredarna kommer också att ta hänsyn till, för att välja de bästa AI-modellerna, svaret på variationen av indataegenskaperna och kommer att producera framträdande kartor där funktionerna i ingångsbilden som mestadels bidrog till klassificeringen framhävs.

Klinisk utvärdering kommer att utföras var 6:e ​​månad under 2 år, inklusive regelbundna serum-CEA-tester (carcinoembryonic antigen) och Whole-Body CT var 6-12:e månad hos patienter som löper högre risk för återfall under de första 3 åren efter ESMO (europeisk Society for Medical Oncology) riktlinjer. Sjukdomsfri överlevnad (DFS) och skovfri överlevnad (RFS) kommer att beräknas.