[论文解读] A multi-institutional pediatric dataset of clinical radiology MRIs by the Children's Brain Tumor Network

Ariana Familiar, Anahita Fathi Kazerooni+38 more|PubMed|Oct 2, 2023

Glioma Diagnosis and Treatment参考文献 37被引用 6

一句话总结

本文介绍了一个大规模、多机构合作的儿科MRI数据集，包含来自1,526名脑瘤患儿的23,101份多参数MRI影像，数据通过儿童脑瘤网络（Children's Brain Tumor Network）在常规临床护理过程中收集。该数据集包含纵向影像、临床数据、病理切片和组学信息，其中未经治疗的影像已通过NCI儿童癌症数据计划（NCI Childhood Cancer Data Initiative）发布，旨在加速人工智能驱动的儿科神经肿瘤精准医学研究。

ABSTRACT

Pediatric brain and spinal cancers remain the leading cause of cancer-related death in children. Advancements in clinical decision-support in pediatric neuro-oncology utilizing the wealth of radiology imaging data collected through standard care, however, has significantly lagged other domains. Such data is ripe for use with predictive analytics such as artificial intelligence (AI) methods, which require large datasets. To address this unmet need, we provide a multi-institutional, large-scale pediatric dataset of 23,101 multi-parametric MRI exams acquired through routine care for 1,526 brain tumor patients, as part of the Children's Brain Tumor Network. This includes longitudinal MRIs across various cancer diagnoses, with associated patient-level clinical information, digital pathology slides, as well as tissue genotype and omics data. To facilitate downstream analysis, treatment-naïve images for 370 subjects were processed and released through the NCI Childhood Cancer Data Initiative via the Cancer Data Service. Through ongoing efforts to continuously build these imaging repositories, our aim is to accelerate discovery and translational AI models with real-world data, to ultimately empower precision medicine for children.

研究动机与目标

• 为解决临床决策支持中人工智能模型训练所面临的大型真实世界儿科神经影像数据集严重缺乏的问题。
• 克服常规收集的放射科影像数据在儿科脑瘤和脊髓癌中被低效利用的问题，此类癌症仍是儿童癌症相关死亡的首要原因。
• 创建一个综合性的多模态数据集，整合临床、影像、病理和分子数据，用于纵向随访的儿科脑瘤患者研究。
• 通过NCI儿童癌症数据计划提供去标识化、高质量的影像数据开放访问，以支持精准医学工具的开发。
• 通过利用跨不同机构和肿瘤亚型的真实世界临床数据，支持开发稳健且可泛化的AI模型。

提出的方法

• 该数据集由儿童脑瘤网络内多个机构在标准临床工作流程中收集的23,101份多参数MRI检查整合而成。
• 影像数据包括T1、T2、FLAIR、DWI及增强扫描序列，各中心间采集协议已标准化，以确保一致性。
• 患者层面的临床信息、数字全玻片病理图像以及基因组和组学数据已与影像研究关联，支持多模态分析。
• 来自370名受试者的未经治疗的MRI扫描已进行预处理，并通过NCI儿童癌症数据服务发布，以确保数据质量和可用性。
• 数据整理与发布遵循伦理和隐私标准，包括去标识化处理及符合机构审查委员会（IRB）协议。
• 该数据集可通过NCI儿童癌症数据计划公开获取，以促进可重复研究和人工智能模型开发。

实验结果

研究问题

• RQ1 大规模、多机构合作的儿科MRI数据集在提升儿科神经肿瘤人工智能模型开发方面有何作用？
• RQ2 整合多模态数据（影像、病理、基因组学）对人工智能模型预测肿瘤行为或治疗反应性能有何影响？
• RQ3 能否有效利用常规护理中收集的真实世界临床MRI数据，来训练儿科脑瘤中稳健且可泛化的AI系统？
• RQ4 在保护患者隐私和数据质量的前提下，整理和发布大规模多中心儿科影像数据集面临哪些关键挑战和需求？
• RQ5 纵向影像数据如何有助于理解儿科脑瘤患者中肿瘤进展和治疗反应的机制？

主要发现

• 该数据集包含来自1,526名儿科脑瘤患者的23,101份多参数MRI检查，数据来自多个机构。
• 部分患者具备纵向影像数据，支持对肿瘤进展和治疗反应的时间序列分析。
• 来自370名受试者的未经治疗的MRI扫描已进行预处理并通过NCI儿童癌症数据服务发布，以确保数据质量和可用性。
• 该数据集整合了临床、病理和组学数据，支持多模态研究和模型训练。
• 数据可通过NCI儿童癌症数据计划公开获取，支持可重复和协作性研究。
• 该举措为利用真实世界临床数据加速人工智能驱动的发现和儿科神经肿瘤精准医学奠定了基础。