基于人工智能的结肠肿瘤放射基因组学 (ATTRACT)

ATTRACT 试验由回顾性和前瞻性部分组成。 在试验的回顾性部分，将使用300名II-III期结肠癌患者的放射学、病理学和基因组学数据来确定结肠肿瘤的遗传和放射组学特征以及作为预测模型结果的临床终点。

将在 CT 图像上手动分割肿瘤并用于 AI（人工智能）模型生成。 病理注释将与相应的匿名资料相关联。 免疫组织化学将用于根据 4 种分子亚型对样本进行分类。还将使用专门设计用于评估基因表达和评估肿瘤突变负担的定制 NGS（下一代测序）面板，通过靶向转录组学从组织样本中生成 RNA 序列图谱（TMB）。 将使用拓扑路径分析对原始数据进行处理和建模，根据相关分子特征对患者进行分层，并定义分子注释，用于训练模型以识别特定的临床相关群体。 原始数据和放射学数据将用于生成和训练人工智能模型，以自动分割和提取放射基因组学特征。

将从手动分割的肿瘤中提取放射组学特征。 将使用标准 PyRadiomics 工具以及定制工具。 通过仅选择具有高观察者间统计相关性的特征，可以保证特征的鲁棒性。 将生成两个人工智能模型系列，一个系列致力于分割，另一个系列致力于根据可用的临床、分子生物学和病理数据进行基于放射基因组学的表型分析。 这两个家族将融合在一起创建 ATTRACT 人工智能模型。 为了生成这些模型，将应用基于深度学习 (DL) 和人工智能的特定卷积神经网络 (CNN) 架构，如 UNet 和 MaskNet。 训练将使用手动 ROI（感兴趣区域）分割作为基本事实来执行。 为了生成放射基因组学分析模型，将使用不同的多变量算法将放射组学和基因组特征结合起来。 该分类系统将接受培训以识别癌症亚型和临床终点。

在该试验的前瞻性部分中，将招募 II-III 期结肠癌患者并接受术前增强 CT 检查。 招募率为每年70名患者，总共210名患者。 术前CT检查后，将根据国际标准方案进行手术。 最终将根据当前指南考虑辅助治疗。 将分析预期入组的病理样本。 首先，利用 RNA-seq 数据、TMB（编码基因）和临床数据，将使用两种不同的技术马尔可夫聚类算法 (MCL) 和 t-SNE（t 分布随机邻域嵌入）对患者进行聚类。层网络集群。 患者将被表示为网络的节点，节点之间的边将根据杰卡德相似度进行加权和阈值化。 相似性将根据来自拓扑路径分析的基因表达、TMB 和扰动信息进行计算。 聚类结果将与免疫组织化学的结果相匹配。临床随访数据（即 治疗结果等...）一旦可用，也将被插入到工作流程中以强制学习。 提取的知识将用于注释用于训练和验证放射组学分类的数据集。 将根据结直肠癌 (CRC) 亚型联盟 (CRCSC) 评估现有基因表达中是否存在核心亚型模式，对大体样本进行分析，以提取不同的转录组学分子亚型（CMS1、CMS2、CMS3、CMS4）。基于 CRC 子类型算法。 协议期间病理分子谱和 ctDNA 分析之间的一致性将与放射组学分类相关，以便为 CRC 治疗和监测提供新的整体诊断模型。

前瞻性数据将用于验证人工智能模型。 对于分割模型，Dice Coefficient将用作衡量自动分割和专家分割之间重叠程度的指标。 对于放射基因组学模型，将使用准确性、受试者操作曲线下积分（ROC-AUC）和临床决策曲线来评估性能。 为了选择最佳的人工智能模型，研究人员还将考虑对输入特征变化的响应，并将生成显着性图，其中突出显示对分类有主要贡献的输入图像的特征。

临床评估将在 2 年内每 6 个月进行一次，包括定期血清 CEA（癌胚抗原）检测，以及对 ESMO（欧洲 ESMO）后前 3 年内复发风险较高的患者每 6-12 个月进行一次全身 CT 检测。医学肿瘤学会）指南。将计算无病生存期（DFS）和无复发生存期（RFS）。