Radiomik - Radiomics
Inden for medicin er radiomik en metode, der udtrækker et stort antal funktioner fra medicinske billeder ved hjælp af datakarakteriseringsalgoritmer . Disse funktioner, kaldet radiomiske træk, har potentiale til at afdække tumormønstre og egenskaber, der ikke kan værdsættes af det blotte øje. Hypotesen om radiomik er, at de karakteristiske billeddannelsesegenskaber mellem sygdomsformer kan være nyttige til at forudsige prognose og terapeutisk respons for forskellige kræftformer og dermed give værdifuld information til personlig terapi. Radiomik stammer fra de medicinske områder inden for radiologi og onkologi og er den mest avancerede inden for applikationer inden for disse områder. Teknikken kan dog anvendes på enhver medicinsk undersøgelse, hvor en patologisk proces kan afbildes.
Behandle
Billedoptagelse
Billeddataene leveres af radiologiske modaliteter som CT, MRI, PET/CT eller endda PET/MR. De producerede rådata -mængder bruges til at finde forskellige pixel/voxel -egenskaber gennem ekstraktionsværktøjer.
De ekstraherede funktioner gemmes i store databaser, hvor klinikker har adgang for at muliggøre bredt samarbejde og kumulativt arbejde, hvor alle kan drage fordel af stigende datamængder, hvilket ideelt set muliggør en mere præcis arbejdsgang.
Billed segmentering
Efter at billederne er blevet gemt i databasen, skal de reduceres til de væsentlige dele, i dette tilfælde tumorer, som kaldes "mængder af interesse".
På grund af de store billeddata, der skal behandles, ville det være for meget arbejde at udføre segmenteringen manuelt for hvert enkelt billede, hvis der oprettes en radiomisk database med masser af data. I stedet for manuel segmentering skal der bruges en automatiseret proces. En mulig løsning er automatiske og semiautomatiske segmenteringsalgoritmer. Inden den kan anvendes i stor skala, skal en algoritme score så højt som muligt i følgende fire opgaver:
- For det første skal det være reproducerbart, hvilket betyder, at resultatet ikke ændres, når det bruges på de samme data.
- En anden vigtig faktor er konsistensen. Algoritmen løser problemet ved hånden og udfører opgaven frem for at gøre noget, der ikke er vigtigt. I dette tilfælde er det nødvendigt, at algoritmen kan detektere den syge del i alle forskellige scanninger.
- Algoritmen skal også være præcis. Det er meget vigtigt, at algoritmen detekterer den syge del på den mest præcise måde. Kun med nøjagtige data kan der opnås nøjagtige resultater.
- Et mindre, men stadig vigtigt punkt er tidseffektiviteten. Resultaterne bør genereres så hurtigt som muligt, så hele processen med radiomik også kan fremskyndes. Et mindre punkt betyder i dette tilfælde, at hvis det er i en bestemt ramme, er det ikke så vigtigt som de andre.
Funktion ekstraktion og kvalifikation
Efter segmenteringen kan mange funktioner ekstraheres, og den relative nettoskift fra langsgående billeder (delta-radiomik) kan beregnes. Radiomiske funktioner kan opdeles i fem grupper: størrelse og formbaserede funktioner, beskrivelser af billedintensitetshistogrammet, beskrivelser af forholdet mellem billedvokser (f.eks. Co-forekomstmatrix på gråt niveau (GLCM), kørelængde-matrix (RLM), størrelseszonematrix (SZM) og gråtoneformel matrix (NGTDM), der er afledt af teksturer, teksturer ekstraheret fra filtrerede billeder og fraktale funktioner. De matematiske definitioner af disse funktioner er uafhængige af billeddannelsesmodalitet og findes i litteraturen. En detaljeret beskrivelse beskrivelse af teksturfunktioner til radiomik kan findes i Parekh, et al., (2016) og Depeursinge et al. (2017).
På grund af dets enorme variation skal funktionsreduktioner implementeres for at eliminere overflødige oplysninger. Hundredvis af forskellige funktioner skal evalueres med et udvalg algoritmer for at fremskynde denne proces. Derudover bør funktioner, der er ustabile og ikke-reproducerbare, skal elimineres, da funktioner med low-fidelity sandsynligvis vil føre til falske fund og modeller, der ikke kan gentages.
Analyse
Efter udvælgelsen af funktioner, der er vigtige for vores opgave, er det afgørende at analysere de valgte data. Inden selve analysen skal de kliniske og molekylære (nogle gange endda de genetiske) data integreres, fordi det har stor indflydelse på, hvad der kan trækkes fra analysen. Der er forskellige metoder til endelig at analysere dataene. For det første sammenlignes de forskellige funktioner med hinanden for at finde ud af, om de har nogen information til fælles og afsløre, hvad det betyder, når de alle forekommer på samme tid.
En anden måde er overvåget eller uovervåget analyse. Supervised Analysis bruger en resultatvariabel til at kunne oprette forudsigelsesmodeller. Uovervåget analyse opsummerer de oplysninger, vi har, og kan gengives grafisk. Så konklusionen af vores resultater er klart synlig.
Databaser
Skabelse
Flere trin er nødvendige for at oprette en integreret radiomisk database. Billeddannelsesdataene skal eksporteres fra klinikkerne. Dette er allerede et meget udfordrende trin, fordi patientoplysningerne er meget følsomme og er underlagt love om fortrolighed, f.eks. HIPAA . Samtidig må de eksporterede data ikke miste noget af sin integritet, når de komprimeres, så databasen kun inkorporerer data af samme kvalitet. Integrationen af kliniske og molekylære data er også vigtig, og der er behov for et stort billedlagringssted.
Brug
Målet med radiomik er at kunne bruge denne database til nye patienter. Det betyder, at vi har brug for algoritmer, der kører nye inputdata gennem databasen, som returnerer et resultat med oplysninger om, hvordan forløbet af patientens sygdom kan se ud. For eksempel hvor hurtigt tumoren vil vokse, eller hvor stor er chancerne for, at patienten overlever i et bestemt stykke tid, om fjerne metastaser er mulige og hvor. Dette bestemmer, hvordan den videre behandling (som kirurgi, kemoterapi, strålebehandling eller målrettede lægemidler osv.) Og den bedste løsning, der maksimerer overlevelse eller forbedring, vælges. Algoritmen skal genkende korrelationer mellem billederne og funktionerne, så det er muligt at ekstrapolere fra databasematerialet til inputdataene.
Ansøgninger
Forudsigelse af kliniske resultater
Aerts et al. (2014) udførte det første store radiomiske studie, der omfattede tre lunge- og to hoved-og-hals-kræftkohorter, der består af over 1000 patienter. De vurderede de prognostiske værdier for over 400 teksturelle og form- og intensitetsbaserede funktioner ekstraheret fra computertomografi (CT) -billederne erhvervet før enhver behandling. Tumormængder blev defineret enten af ekspert stråling onkologer eller ved hjælp af halvautomatiske segmenteringsmetoder. Deres resultater identificerede en delmængde af radiomiske træk, der kan være nyttige til at forudsige patienters overlevelse og beskrive intratumoural heterogenitet. De bekræftede også, at disse radiomiske funktioners prognostiske evne kan overføres fra lungekræft til hoved-og-halskræft. Parmar et al. (2015) viste, at prognostisk værdi af nogle radiomiske træk kan være kræftafhængig. De observerede især, at ikke alle radiomiske træk, der signifikant forudsagde lungekræftpatienters overlevelse, også kunne forudsige overlevelse af kræftpatienter med hoved og hals og omvendt.
Nasief et al. (2019) viste, at ændringer af radiomiske træk over tid i langsgående billeder (delta-radiomiske funktioner, DRF'er) potentielt kan bruges som en biomarkør til at forudsige behandlingsrespons for kræft i bugspytkirtlen. Deres resultater viste, at et neurologisk netværk fra Bayesisk regulering kan bruges til at identificere en delmængde af DRF'er, der demonstrerede betydelige ændringer mellem gode og dårlige reagerende personer efter 2-4 ugers behandling med AUC = 0,94. De viste også (Nasief et al., 2020), at DRF'er er en uafhængig forudsigelse af overlevelse, og hvis de kombineres med den kliniske biomarkør CA19-9 kan forbedre forudsigelse af behandlingsrespons og øge muligheden for responsbaseret behandlingstilpasning.
Flere undersøgelser har også vist, at radiomiske træk er bedre til at forudsige behandlingsrespons end konventionelle foranstaltninger, såsom tumorvolumen og diameter, og den maksimale radiotraceroptagelse på positronemissionstomografi (PET) billeddannelse. Ved hjælp af denne teknik er en algoritme blevet udviklet efter indledende træning baseret på intra tumor lymfocyttæthed for at forudsige sandsynligheden for tumorrespons på immunterapi, hvilket giver en demonstration af radiomics kliniske potentiale som en kraftfuld til personlig behandling i det nye område inden for immunoonkologi. Andre undersøgelser har også demonstreret nytten af radiomik til forudsigelse af immunterapisvar hos NSCLC- patienter ved brug af CT- og PET/CT- billeder før behandling .
Radiomik forbliver ringere end konventionelle teknikker i nogle applikationer, hvilket tyder på nødvendigheden af fortsat forbedring og manipulation af Radiomics funktioner til forskellige kliniske scenarier. For eksempel Ludwig et. al (2020) demonstrerede, at morfologiske radiomiske træk var ringere end tidligere etablerede træk ved diskrimination af intrakraniel aneurisme- rupturstatus fra tredimensionel rotationsangiografi .
Prognostisering
Radiomiske undersøgelser har vist, at billedbaserede markører har potentiale til at levere information ortogonal til iscenesættelse og biomarkører og forbedre prognostikationen.
Forudsigelsesrisiko for fjernmetastase
Metastatisk potentiale for tumorer kan også forudsiges af radiomiske træk. For eksempel blev femogtredive CT-baserede radiomiske træk identificeret til at være forudsigelige for fjern metastase af lungekræft i en undersøgelse af Coroller et al. i 2015. De konkluderede således, at radiomiske træk kan være nyttige til at identificere patienter med høj risiko for at udvikle fjernmetastaser, hvilket guider læger til at vælge den effektive behandling til individuelle patienter.
Vurdering af kræftgenetik
Lungetumors biologiske mekanismer kan demonstrere tydelige og komplekse billeddannelsesmønstre. Især Aerts et al. (2014) viste, at radiomiske træk var forbundet med biologiske gensæt, såsom cellecyklusfase, DNA -rekombination, regulering af immunsystemprocessen osv. Desuden forskellige mutationer af glioblastom (GBM), såsom 1p/19q deletion, MGMT -methylering , TP53, EGFR og NF1, har vist sig at være signifikant forudsagt af magnetiske resonansbilleddannende (MRI) volumetriske foranstaltninger, herunder tumorvolumen, nekrosevolumen og kontrastforstærkende volumen.
Billedstyret strålebehandling
Radiomik giver fordelen ved at være ikke -invasiv og kan derfor lettere gentages for en given patient lettere end invasive tumorbiopsier. Det er blevet foreslået, at radiomik kan være et middel til at overvåge tumordynamiske ændringer i løbet af strålebehandlingen og til at definere delmængder i risiko, for hvilken eskalering af dosis kan være gavnlig.
Sondring mellem ægte progression og radionekrose
Behandlingseffekt eller strålingsnekrose efter stereotaktisk radiokirurgi (SRS) for hjernemetastaser er et almindeligt fænomen, der ofte ikke kan skelnes fra ægte progression. Radiomics viste signifikante forskelle i et sæt af 82 behandlede læsioner hos 66 patienter med patologiske resultater. Toprangerede Radiomic-funktioner indgår i en optimeret IsoSVM-klassifikator resulterede i en følsomhed og specificitet på henholdsvis 65,38% og 86,67% med et område under kurven på 0,81 på leave-one-out krydsvalidering. Kun 73% af tilfældene blev klassificeret af neuroradiologen med en følsomhed på 97% og specificitet på 19%. Disse resultater viser, at radiomikere lover noget for at skelne mellem behandlingseffekt og ægte progression i hjernemetastaser behandlet med SRS.
Forudsigelse af fysiologiske hændelser
Radiomik kan også bruges til at identificere udfordrende fysiologiske hændelser såsom hjerneaktivitet, som normalt studeres med billeddannelsesteknikker såsom funktionel MRI "fMRI". FMRI råbilleder kan gennemgå radiomisk analyse for at generere billeddannelsesfunktioner, der senere kan korreleres med meningsfuld hjerneaktivitet.
Multiparametrisk radiomik
Multiparametrisk radiologisk billeddannelse er afgørende for påvisning, karakterisering og diagnose af mange forskellige sygdomme. De nuværende metoder inden for radiomik er imidlertid begrænset til at bruge enkeltbilleder til ekstraktion af disse teksturelle funktioner og kan begrænse det anvendelige omfang af radiomik i forskellige kliniske omgivelser. I den nuværende form er de således ikke i stand til at fange de sande underliggende vævskarakteristika i højdimensionelt multiparametrisk billeddannelsesrum.
For nylig blev der udviklet en multiparametrisk billeddannende radiomisk ramme betegnet MPRAD til ekstraktion af radiomiske funktioner fra højdimensionelle datasæt. Multiparametrisk radiomik blev testet på to forskellige organer og sygdomme; brystkræft og cerebrovaskulære ulykker i hjernen, almindeligvis omtalt som slagtilfælde.
Brystkræft
Ved brystkræft klassificerede MPRAD -ramme malign fra godartede brystlæsioner med fremragende sensitivitet og specificitet på henholdsvis 87% og 80,5% med en AUC på 0,88. MPRAD gav en 9% -28% stigning i AUC i forhold til enkelte radiomiske parametre. Endnu vigtigere var, at brystet var normalt kirtelvæv MPRAD ens mellem hver gruppe uden signifikante forskelle.
Slag
På samme måde demonstrerede MPRAD-funktionerne i hjerneslag en øget ydeevne ved at skelne mellem perfusion-diffusions-mismatch i forhold til radioparter med enkelt parameter, og der var ingen forskelle inden for det hvide og grå stofvæv. Størstedelen af de enkelte radiomiske andenordens funktioner (GLCM) viste ingen signifikant strukturel forskel mellem infarkt væv og væv i fare på ADC -kortet. Mens den samme andenordens multiparametriske radiomiske egenskaber (TSPM) var signifikant forskellige for DWI -datasættet. På samme måde viste multiparametriske radiomiske værdier for TTP- og PWI -datasættet fremragende resultater for MPRAD. MPRAD TSPM Entropy udviste signifikant forskel mellem infarkt væv og potentielt vævsrisiko: (6,6 ± 0,5 vs 8,4 ± 0,3, p = 0,01).
