Advances towards a robust AI-based glioma grading system

Abstract

(English) Gliomas represent the most common and aggressive form of primary brain tumors in adults, posing significant diagnostic challenges due to their heterogeneous molecular, histological, and radiological characteristics. The World Health Organization (WHO) classifies gliomas on a four-stage scale, ranging from the most benign to the most malignant. The latest WHO Central Nervous System (CNS) diagnostic criteria releases incorporate molecular and histological features for subtyping and grading. However, this process is complex, time-consuming, and prone to inter-observer variability. While histological assessment remains the standard method for glioma characterization, it is invasive and limited in cases where tissue extraction is not feasible, highlighting the need for non-invasive alternatives.

This dissertation investigates the application of deep learning algorithms to multi-sequence Magnetic Resonance Imaging (MRI) for the automatic grading of gliomas. First, we integrated and homogenized MRI data from three well-known publicly available datasets resulting in a collective database exceeding one thousand cases. Initial efforts focused on understanding the multi-sequence MRI data, assessing artifacts, and evaluating techniques such as data normalization, data augmentation, transfer learning, and tumor patching, to enhance the classification between lower- and high-grade gliomas, benchmarking with the state-of-the-art. In the second phase, we extend the classification to glioma grades as defined by the WHO CNS 2016 criteria. We developed and compared different Convolutional Neural Networks (CNNs) architectures based on 2D slices from single anatomical planes, multi-planar integrations, and entire 3D volumes. Recognizing the strong association between glioma aggressiveness and genetic features like IDH mutations and 1p/19q co-deletions, we developed a multi-task framework capable of classifying the glioma grade and these molecular features simultaneously, allowing the network to learn contextual relationships among variables. To prevent healthcare disparities and foster the reliability and transparency of our findings, we evaluated model performance across different demographic and clinical populations, including sex, age, and molecular subgroups.

Our results reveal consistent challenges in accurately classifying grade 3 gliomas, underscoring the need for further research, as well as more diverse and up-to-date data that aligns with current guidelines. While Artificial Intelligence (AI) holds immense potential to assist in medical diagnosis, prognosis, and therapy planning, its full adoption in the medical field remains limited largely due to a lack of trust and widespread acceptance among healthcare professionals and patients. The ultimate goal of this thesis is to explore the implications and limitations of integrating AI algorithms in healthcare and foster collaboration among clinicians and technologists to achieve patient-centric, reliable AI within clinical practice.

(Català) Els gliomes representen la forma més comuna i agressiva de tumors cerebrals primaris en adults, presentant un desafiament diagnòstic significatiu a causa de la seva heterogeneïtat molecular, histològica i radiològica. L'Organització Mundial de la Salut (OMS) classifica els gliomes en una escala de quatre estadis, des de benignes fins a malignes. Les últimes edicions dels criteris diagnòstics del Sistema Nerviós Central (SNC) de l'OMS incorporen característiques moleculars i histològiques per a la subtipificació i gradació. Tanmateix, aquest procés és complex, requereix molt de temps i és propens a la variabilitat entre observadors. Encara que l'avaluació histològica continua sent el mètode estàndard per a la caracterització dels gliomes, és invasiva i està limitada en casos on no és factible l'extracció de teixit, cosa que ressalta la necessitat d'alternatives no invasives.

Aquest treball investiga l'aplicació d'algoritmes d'aprenentatge profund en imatges de ressonància magnètica (IRM) multisecuencia per a la classificació automàtica dels gliomes. Primer, vam integrar i homogeneïtzar les IRM de tres bases de dades públiques reconegudes, resultant en una base de dades col·lectiva que supera els mil casos. Els esforços inicials es van centrar en comprendre les dades d'IRM multisecuencia, avaluar artefactes i valorar tècniques com la normalització de dades, l'augment de dades, l'aprenentatge per transferència i l'extracció de tumors, per millorar la classificació entre gliomes de grau baix i alt, comparant-los amb l'estat de l'art. En la segona fase, vam ampliar la classificació als graus de gliomes segons els criteris del SNC de l'OMS establerts el 2016. Vam desenvolupar i comparar diferents arquitectures de xarxes neuronals convolucionals basades en talls 2D de plans anatòmics individuals, integracions multiplanares i volums 3D. Reconeguent l'associació forta entre l'agressivitat dels gliomes i característiques genètiques com les mutacions d'IDH i la codeleció 1p/19q, vam desenvolupar una arquitectura multitasca capaç de classificar simultàniament el grau del glioma i aquestes característiques moleculars, permetent que la xarxa aprengui relacions contextuals entre les variables. Per prevenir disparitats en el context clínic i fomentar la fiabilitat i transparència dels nostres resultats, vam avaluar el rendiment del model en diferents poblacions demogràfiques i clíniques, incloent sexe, edat i subgrups moleculars.

Els nostres resultats revelen reptes consistents en la classificació precisa dels gliomes de grau 3, cosa que ressalta la necessitat de més investigació, així com de dades més diverses i actualitzades que s'alineïn amb les guies actuals. Encara que la Intel.ligència Artificial (IA) posseeix un immens potencial per assistir en el diagnòstic mèdic, el pronòstic i la planificació terapèutica, la seva adopció completa en el camp mèdic continua sent limitada en gran mesura a causa de la manca de confiança i d'acceptació generalitzada entre els professionals de la salut i els pacients. L'objectiu final d'aquesta tesi és explorar les implicacions i limitacions de la integració d'algoritmes de IA en el context mèdic i fomentar la col·laboració entre clínics i tecnòlegs per aconseguir una IA fiable i centrada en el pacient dins de la pràctica clínica.

(Español) Los gliomas representan la forma más común y agresiva de tumores cerebrales primarios en adultos, presentando un significativo desafío diagnóstico por su heterogeneidad molecular, histológica y radiológica. La Organización Mundial de la Salud (OMS) clasifica los gliomas en una escala de cuatro estadios, de benignos a malignos. Las últimas ediciones de los criterios diagnósticos del Sistema Nervioso Central (SNC) de la OMS incorporan características moleculares e histológicas para la subtipificación y gradación. Sin embargo, este proceso es complejo, requiere mucho tiempo y es propenso a variabilidad entre observadores. Aunque la evaluación histológica sigue siendo el método estándar para la caracterización de gliomas, es invasiva y está limitada en casos donde no es factible la extracción de tejido, lo que resalta la necesidad de alternativas no invasivas.

Este trabajo investiga la aplicación de algoritmos de aprendizaje profundo en imágenes de resonancia magnética (IRM) multi-secuencia para la clasificación automática de gliomas. Primero, integramos y homogeneizamos IRM de tres reconocidas bases de datos públicas, resultando en una base de datos colectiva que supera los mil casos. Esfuerzos iniciales se centraron en comprender los datos de IRM multisecuencia, evaluar artefactos y evaluar técnicas como la normalización de datos, aumento de datos, el aprendizaje por transferencia y la extracción de tumores, para mejorar la clasificación entre gliomas de grado bajo y alto, comparándolos con el estado del arte. En la segunda fase, ampliamos la clasificación a los grados de gliomas según los criterios del SNC de la OMS establecidos en 2016. Desarrollamos y comparamos diferentes arquitecturas de redes neuronales convolucionales basadas en cortes 2D de planos anatómicos individuales, integraciones multiplano y volúmenes 3D. Reconociendo la fuerte asociación entre la agresividad de los gliomas y características genéticas como las mutaciones de IDH y la codeleción 1p/19q, desarrollamos una arquitectura multitarea capaz de clasificar simultáneamente el grado del glioma y estas características moleculares, permitiendo que la red aprenda relaciones contextuales entre las variables. Para prevenir disparidades en el contexto clínico y fomentar la fiabilidad y transparencia de nuestros hallazgos, evaluamos el rendimiento del modelo en diferentes poblaciones demográficas y clínicas, incluyendo sexo, edad y subgrupos moleculares.

Los resultados revelan desafíos consistentes en la clasificación precisa de los gliomas de grado 3 que resaltan la necesidad de más investigación, así como de datos más diversos y actualizados que se alineen con las guías actuales. Aunque la Inteligencia Artificial (IA) posee un inmenso potencial para asistir en el diagnóstico médico, el pronóstico y la planificación terapéutica, su adopción completa en el campo médico sigue siendo limitada en gran medida debido a la falta de confianza y aceptación generalizada entre los profesionales de la salud y los pacientes. El objetivo final de esta tesis es explorar las implicaciones y limitaciones de la integración de algoritmos de IA en el contexto médico y fomentar la colaboración entre clínicos y tecnólogos para lograr una IA confiable y centrada en el paciente dentro de la práctica clínica.