Bandi per ricercatori a tempo determinato

ROMA "La Sapienza"

Bando per ricercatore a tempo determinato
Descrizione posizione
Titolo del progetto di ricerca in italiano Valutazione a 5 anni della progressione di disabilità nella sclerosi multipla attraverso tecniche di deep learning sulle immagini di risonanza magnetica
Titolo del progetto di ricerca in inglese Evaluation of 5-year disease progression in multiple sclerosis via magnetic resonance-based deep learning techniques
Descrizione sintetica in italiano L'esito clinico in tutte le forme di sclerosi multipla (SM) è altamente eterogeneo e spesso difficile da prevedere nei singoli pazienti. Di conseguenza, è spesso difficile decidere la migliore strategia terapeutica nei singoli casi. Per la diagnosi precoce della SM, per il monitoraggio della risposta al trattamento nella pratica clinica e negli studi sperimentali e per lo studio della fisiopatologia della malattia, la risonanza magnetica per immagini (RM) si è dimostrata di fondamentale importanza. Inoltre, la RM può essere studiata su grandi dataset con nuovi approcci statistici basati su algoritmi di deep learning per prevedere il decorso della malattia nel tempo. In conclusione, lo scopo di questo progetto è identificare i fattori che possano predire al meglio la progressione di disabilità nella SM, nonché sviluppare strumenti che possano essere utilizzati in diversi centri per aiutare la medicina personalizzata
Descrizione sintetica in inglese Clinical outcome in all forms of multiple sclerosis (MS) is highly heterogeneous and often difficult to predict in individual patients. As a consequence, it is often challenging to decide the best therapeutic strategy in individual MS cases. For the early MS diagnosis, for monitoring treatment response in clinical practice and experimental trials, and for investigating disease pathophysiology, magnetic resonance imaging (MRI) has demonstrated to be of paramount importance. Further, MRI may be investigated with novel statistical approaches based on deep learning algorithms to predict, with a known degree of confidence, the course of the disease over time from large datasets containing a consistent amount of information.
Indeed, the aim of the project is to identify the factors that may predict MS disability progression at best, as well as to develop tools that can be used across different Centers for guiding treatment decision tailored to the individual patient
Descrizione del bando in italiano Per consentire lo sviluppo di uno studio longitudinale con follow-up clinico medio a 5 anni, i partecipanti sono già stati arruolati presso l'Università La Sapienza e sottoposti a risonanza magnetica (RM) multimodale a 3T nel periodo che va dal 2010 al 2018. Ad oggi, i partecipanti arruolati fino al 2016 hanno ricevuto la visita di follow-up clinico a 5 anni. Al contrario, i partecipanti arruolati dal 2016 riceveranno la visita di follow-up clinico fra il 2021 al 2023, in base alla data di acquisizione della RM. Le RM acquisite hanno incluso sequenze sia per immagini 3D-MPRAGE pesate in T1 che immagini 3D pesate in T2 tradizionali.
I modelli di deep learning (DL) verranno applicati alle immagini RM per classificare i pazienti con sclerosi multipla (SM) la cui disabilità è progredita durante il follow-up e quelli che sono rimasti stabili nello stesso periodo. I classificatori saranno costruiti su immagini pesate in T1, pesate in T2 e combinando immagini pesate in T1 e T2 per identificare il tipo, o la combinazione di tipi, di immagini che consente la migliore accuratezza, sensibilità e specificità dei modelli nel predire la progressione della disabilità. Verrà implementato un approccio in due fasi. In un primo momento, verrà creata una rete neurale su un dataset di dati di immagini RM raccolte da archivi pubblici, indipendentemente dall'età e dalle condizioni cliniche dei soggetti, e verrà addestrata per identificare soggetti sani. Quindi, in analogia con reti pre-addestrate come ResNet50, la rete neurale ottenuta sarà adattata per classificare i pazienti in stabili (classe No), o con progressione della disabilità (classe Sì). I classificatori saranno alleanti sull'80% dei pazienti e validati sull'altro 20% mantenendo il rapporto classi No / Sì uguale a 1 sia nel dataset di formazione che di validazione. Infine, i classificatori saranno testati su un dataset indipendente ottenuto da un'altra università. Le prestazioni dei classificatori saranno valutate attraverso l'area sotto la curva del diagramma falsi versus veri positivi, inoltre verranno testate rispetto ai relativi modelli nulli ottenuti rimescolando le etichette dei pazienti nel dataset di allenamento nella seconda fase.
L'utilizzo di tecniche statistiche avanzate e algoritmi DL può consentire l’identificazione dei pazienti a maggior rischio di progressione della malattia, e di rendere più mirati e personalizzati i trattamenti sia farmacologici che riabilitativi, oltre che consentire un'accurata stratificazione dei pazienti negli studi clinici
Descrizione del bando in inglese To allow the development of a longitudinal study with a mean clinical follow-up of 5 years, participants have been already enrolled at Sapienza University and undergone multimodal 3T magnetic resonance imaging (MRI) within the time period ranging from 2010 to 2018. Nowadays, participants who have been enrolled till to 2016 have received the 5-year clinical follow-up visit. On the contrary, participants, who have been enrolled since 2016, will receive the 5-year clinical follow-up visit from 2021 to 2023, accordingly to the MRI acquisition date. 3T MRI included both T1-3D-MPRAGE and conventional 3D-T2-weighted images.
Deep learning (DL) models will be applied on MR images to classify patients with multiple sclerosis (MS) whose disability progressed during the follow-up and who remained stable within the same period. Classifiers will be built on T1-weighted, T2-weighted and combined T1- and T2-weighted images to identify the type, or combination of types, of images that allows the best accuracy, sensitivity and specificity of models in predicting disability progression. A two-step approach will be implemented. At first, a neural network will be created on a dataset of MRI images collected from public repositories, regardless age and clinical condition of subjects, and will be trained it to identify healthy subjects. Then, in analogy with pretrained networks such as Res Net50, the obtained neural network will be adapted to classify patients in stable (class No), or with disability progression (class Yes). Classifiers will be trained on the 80% of patients and validated on the other 20% keeping the ratio classes No/Yes equal to 1 in both training and validation dataset. Lastly, classifiers will be tested on an independent dataset obtained from another university. Classifiers’ performance will be evaluated via the area under the curve of the false versus true positive diagram and also tested against its null model obtained by reshuffling patients’ labels in the training set at the second step.
The use of advanced statistical techniques and DL algorithms may make it possible to identify patients who are at greater risk of disease progression, and to make both pharmacological and rehabilitative treatments more targeted and personalized, as well as allow an accurate stratification of patients in clinical trials
Numero posti 1
Campo principale della ricerca Physics
Sottocampo della ricerca Other
Settore Concorsuale 02/D1 - FISICA APPLICATA, DIDATTICA E STORIA DELLA FISICA
S.S.D FIS/07 - FISICA APPLICATA (A BENI CULTURALI, AMBIENTALI, BIOLOGIA E MEDICINA)
Destinatari del bando (of target group) Experienced researcher or 4-10 yrs (Post-Doc)
Commenti/sito web per dettagli aggiuntivi sull'impiego (in italiano)
Commenti/sito web per dettagli aggiuntivi sull'impiego (in inglese)
Data del bando 15/06/2021

 

FP7 / PEOPLE / Marie Curie Actions
Research Framework Programme / Marie Curie Actions No

 

Dettagli dell'impiego
Tipo di contratto Temporary
Tempo Other
Ore settimanali 32
Organizzazione/Ente Dipartimento di Neuroscienze Umane - Sapienza Università di Roma
Paese (dove si svolgerà l'attività) ITALY
Città Roma
Codice postale 00185
Indirizzo Viale dell'Università, 30

 

Contatto presso l'Organizzazione/Ente
Organizzazione/Ente Dipartimento di Neuroscienze Umane - Sapienza Università di Roma
Tipo Academic
Facoltà/Dipartimento/Laboratorio di ricerca Dipartimento di Neuroscienze Umane
Paese ITALY
Città Roma
E-mail rtd.neuroscienze@uniroma1.it
Sito web https://www.neuroscienze.uniroma1.it/

 

Dettagli per la candidatura
Data di scadenza del bando 15/07/2021
Come candidarsi rtd.neuroscienze@uniroma1.it

 

Titoli di studio richiesti
Laurea PhD or equivalent
Ambito della laurea Physics

 

Lingue richieste
Lingua ITALIAN
Livello di conoscenza della lingua Excellent