Centre d'imagerie quantitative de Roswell (ROCQI)

Notre mission

La mission globale du Roswell Center for Quantitative Imaging (ROCQI) est d'accélérer le développement de solutions d'imagerie avancées, notamment l'intelligence artificielle (IA), les techniques d'apprentissage automatique et la radiomique, pour les applications de recherche.

Notre objectif est de servir de centre scientifique et technologique favorisant les collaborations intra et interinstitutionnelles dans les domaines de l'imagerie quantitative et de la radiomique.

Notre équipe Demande de collaboration Demande de stage

Que faisons-nous

Le Centre d'imagerie quantitative est le foyer universitaire d'une équipe intégrée de scientifiques fondamentaux et translationnels, de spécialistes des technologies de l'information et de cliniciens qui travaillent en étroite collaboration pour faciliter les études d'imagerie via des méthodes d'apprentissage automatique.

Nos programmes de recherche se concentrent sur :

Techniques d'imagerie avancées : Développer et perfectionner des technologies d’imagerie innovantes pour améliorer la précision du diagnostic, notamment l’analyse basée sur l’IA, l’imagerie haute résolution et les techniques d’imagerie en temps réel.
Biomarqueurs d'imagerie : Identifier et valider de nouveaux biomarqueurs détectables par imagerie. Cela comprend des recherches sur la manière dont l'imagerie peut être utilisée pour prédire la progression de la maladie, la réponse au traitement et le pronostic du patient.
Médecine personnalisée : Utiliser les données d'imagerie pour adapter les plans de traitement du cancer aux patients individuels, améliorer les résultats et minimiser les effets secondaires. Cela implique de corréler les résultats d'imagerie avec les données génétiques, moléculaires et cliniques.
Apprentissage automatique et analyse de données : Application d’algorithmes d’apprentissage automatique à de grands ensembles de données d’imagerie pour découvrir des modèles et des informations qui peuvent améliorer le diagnostic, le traitement et la compréhension du cancer.
Initiatives de recherche collaborative : S'engager dans des collaborations multidisciplinaires avec des institutions universitaires, des prestataires de soins de santé et des partenaires industriels pour stimuler l'innovation et traduire les résultats de la recherche en pratique clinique.

Les projets de recherche en cours sont financés par le National Cancer Institute (NCI) et la Roswell Park Alliance Foundation.

Points saillants de la recherche

L'imagerie en coupes modernes montre que le myélome multiple infiltre la moelle osseuse selon différents schémas : certains patients présentent une infiltration diffuse, d'autres présentent des lésions focales ou un schéma mixte des deux. Les lésions focales sont particulièrement pertinentes car elles peuvent conduire à des lésions ostéolytiques avec un risque accru de fracture ou à une maladie extramédullaire dont il a été démontré qu'elles ont une importance pronostique défavorable.

L'utilisation d'immunothérapies, en particulier le traitement par cellules CAR-T, a montré qu'elle provoquait occasionnellement une augmentation de la taille des lésions focales tandis que d'autres marqueurs de la maladie montrent une réponse au traitement qui suggère un phénomène connu sous le nom de pseudo-progression dans les tumeurs solides.

Dans le cadre d'une collaboration internationale avec des centres du monde entier, nous visons à classer le phénomène de pseudo-progression chez les patients atteints de myélome multiple et utilisons une plateforme en ligne où les chercheurs peuvent télécharger des données cliniques et d'imagerie afin que les radiologues et les biostatisticiens puissent accéder à ces données et effectuer leurs évaluations.

Nous espérons que cette plateforme sera également utile pour d’autres projets nécessitant des collaborations entre différents sites.

Chronologie/graphique du flux de travail du projet de recherche sur le myélome

Tomodensitométrie et image squelettique d'un abdomen

Les lésions ostéolytiques et les fractures osseuses sont des symptômes fréquents du myélome multiple et peuvent entraîner une morbidité et une mortalité importantes. Les techniques d'imagerie modernes permettent une évaluation longitudinale du système squelettique pour surveiller ces changements.

Notre objectif est d'analyser les images IRM, PET et CT de patients atteints de myélome multiple latent (un précurseur asymptomatique du myélome multiple) et de myélome multiple afin d'identifier rétrospectivement des marqueurs d'imagerie permettant de prédire une fracture lors d'imageries ultérieures. En raison de la quantité de données d'imagerie qui devront être examinées, nous développons des outils informatiques pour effectuer ces analyses dans un délai raisonnable.

Cela permettra d’intervenir plus tôt et de prévenir les fractures et autres lésions osseuses et aidera à prédire le risque de fracture, par exemple chez les patients qui envisagent de retourner au travail ou de participer à des exercices physiques et à d’autres activités de loisirs.

Lire la suite:

Klein A, Warszawski J, Hillengass J, Maier-Hein KH. Segmentation osseuse automatique dans les images CT du corps entier. Int J Comput Assist Radiol Surg. 2019 Jan;14(1):21-29. doi: 10.1007/s11548-018-1883-7. Epub 2018 Nov 13. PMID: 30426400
Hildenbrand N, Klein A, Maier-Hein K, Wennmann M, Delorme S, Goldschmidt H, Hillengass J. Identification des caractéristiques des lésions focales en IRM qui indiquent la présence d'une lésion ostéolytique correspondante en TDM chez les patients atteints de myélome multiple. Bone. 2023 Oct;175:116857. doi: 10.1016/j.bone.2023.116857. Epub 2023 juil. 22. PMID: 37487861

Notre projet de recherche vise à développer un outil de stratification du risque chirurgical prédictif basé sur l'IA pour les patients atteints de cancer du poumon. Étant donné les risques élevés associés à la chirurgie du cancer du poumon, des évaluations précises du risque préopératoire sont essentielles. Les méthodes actuelles reposent sur des jugements subjectifs et des tests obsolètes, ce qui entraîne des inexactitudes. Ce nouveau modèle intégrera l'IA pour analyser l'imagerie CT préopératoire et les données cliniques, fournissant une évaluation quantitative et personnalisée du risque afin de mieux identifier les candidats à la chirurgie ou aux traitements alternatifs.

L’innovation réside dans la combinaison de données radiomiques et de données cliniques grâce à l’IA, améliorant ainsi la précision des prévisions de risque. Ce modèle pourrait transformer les flux de travail en chirurgie thoracique, élargir l’éligibilité chirurgicale et améliorer les résultats pour les patients.

L'approche comprend l'acquisition de données, le prétraitement, la sélection des caractéristiques, l'ingénierie du modèle et une validation rigoureuse. Le modèle sera formé sur un ensemble complet de données d'opérations chirurgicales du cancer du poumon, en utilisant des algorithmes d'apprentissage automatique avancés pour identifier les caractéristiques les plus prédictives. En outre, l'étude explorera l'impact des paramètres d'imagerie CT sur la précision prédictive et comparera les performances du modèle d'IA avec les méthodes traditionnelles. L'objectif ultime est d'améliorer les résultats postopératoires des patients atteints de cancer du poumon et de préparer le terrain pour des modèles prédictifs similaires dans d'autres domaines médicaux.

Un diagramme issu d'une étude de recherche

Figure issue d'une étude de recherche scientifique

L'obstruction maligne des voies aériennes centrales est une complication fréquente du cancer du poumon, avec 17 % des patients présentant au moins une obstruction légère au moment du diagnostic de cancer du poumon et 8.2 % des patients supplémentaires développant une obstruction des voies aériennes au cours des 5 années suivantes. Nous avons démontré que l'obstruction des voies aériennes peut être identifiée lors d'un examen dédié des tomodensitogrammes dans 99 % des cas, par rapport à la référence absolue de la bronchoscopie. Malgré cela, les radiologues n'identifient pas l'obstruction des voies aériennes dans leurs lectures dans 30 % des cas. Nous proposons de développer un algorithme informatique pour segmenter automatiquement les voies aériennes centrales et caractériser avec précision la présence d'obstruction des voies aériennes centrales.

Stratégie:

Nous avons sélectionné une cohorte d'enseignement de scanners CT avec et sans obstruction des voies aériennes centrales.
Nous avons utilisé le logiciel open source MITK pour segmenter les voies respiratoires.
Nous avons comparé la segmentation des voies respiratoires entre les chercheurs, puis par rapport à l'algorithme.
Prochaines étapes : Nous réaliserons des cohortes de formation de voies respiratoires non segmentées pour déterminer la précision de la caractérisation des voies respiratoires et de l’identification de l’obstruction des voies respiratoires.

Plus de lecture:

Ivanick NM, Kunadharaju R, Bhura S, Mengiste H, Saeed M, Saradna A, et al. Épidémiologie et survie de l'obstruction maligne des voies aériennes centrales dans le cancer du poumon identifiées par imagerie transversale. Journal of bronchology & interventional pulmonology. 2024;31(3).
Kalvapudi S, Zubair HM, Kunadharaju R, Bhura S, Mengiste H, Saeed M, et al. Corrélation de la bronchoscopie et de la tomodensitométrie dans la caractérisation de l'obstruction maligne des voies aériennes centrales. Cancers. 2024;16(7).
Harris K, Alraiyes AH, Attwood K, Modi K, Dhillon SS. Rapports d'obstruction des voies aériennes centrales sur les rapports radiologiques et impact sur les interventions bronchoscopiques des voies aériennes et les résultats des patients. Progrès thérapeutiques dans les maladies respiratoires. 2016;10(2):105-12.
Daneshvar C, Falconer WE, Ahmed M, Sibly A, Hindle M, Nicholson TW, et al. Prévalence et évolution de l'obstruction centrale des voies respiratoires chez les patients atteints d'un cancer du poumon. BMJ open respiratory research. 2019;6(1):e000429.

Découverte de cohorte

nSight™ est une puissante plateforme de découverte de données proposée en complément à l'ensemble de l'équipe Roswell qui possède les certifications de formation CITI requises. La mission principale de l'initiative nSight est de permettre aux chercheurs de Roswell d'accéder en temps réel aux données cliniques, de recherche et réglementaires vitales, facilitant ainsi leurs efforts de recherche. Grâce à sa gamme diversifiée de fonctionnalités, la plateforme répond à divers objectifs, notamment l'évaluation de la faisabilité de la recherche, la préparation de propositions de subvention, la création d'affiches et la conception de populations d'essais cliniques, entre autres.

Au sein de cette plateforme de pointe, les utilisateurs sont habilités à effectuer des recherches ciblées pour les cas souhaités, en utilisant un large éventail de facteurs tels que le type de maladie, la modalité de traitement et les caractéristiques des biospécimens.

Recherche en radiomique utilisant l'intelligence artificielle et l'apprentissage automatique

ROCQI se consacre à exploiter la puissance de l'intelligence artificielle (IA) et des techniques d'apprentissage automatique (ML) pour faire progresser la recherche en analyse d'images numériques à Roswell Park. Nous pensons que la collaboration entre plusieurs disciplines est essentielle pour une recherche réussie en matière d'images numériques. Le centre se concentre sur la fourniture d'un soutien complet aux chercheurs, leur permettant d'utiliser des algorithmes d'IA et de ML dans l'analyse de divers types d'images numériques. Ces images comprennent des images radiologiques, des lames de pathologie et des images histologiques, qui jouent un rôle crucial dans le diagnostic, le pronostic et la planification du traitement des patients atteints de cancer.

Les pipelines de recherche d'images numériques de Roswell Park comprennent généralement plusieurs étapes clés. ROCQI facilite l'acquisition d'images en collectant des images numériques à partir de diverses sources. Ensuite, nous procédons à l'annotation et à la segmentation, un processus où des régions d'intérêt spécifiques dans les images sont identifiées et marquées, créant ainsi des données étiquetées pour la formation des algorithmes ML. L'extraction de caractéristiques est l'étape suivante, impliquant l'application d'algorithmes sophistiqués pour extraire les caractéristiques pertinentes des images. Ces caractéristiques extraites servent ensuite d'entrées pour les modèles ML. Enfin, nous effectuons une évaluation, qui consiste à évaluer les performances et la précision des modèles ML à l'aide de mesures appropriées. Ce processus d'évaluation garantit que les modèles ML sont efficaces et contribuent à l'avancement de la recherche en analyse d'images numériques à Roswell Park.

Le centre collabore étroitement avec les chercheurs pour assurer la bonne exécution de ces étapes, en mettant l'accent sur l'efficacité et l'efficience. Notre objectif est de générer des résultats de recherche innovants et de faciliter les avancées dans l'analyse des images numériques. En tirant parti des techniques d'IA et de ML, nous nous efforçons d'améliorer la rapidité, l'exactitude et la précision des diagnostics, ainsi que le développement de plans de traitement personnalisés pour les patients atteints de cancer.