Klinická studie zobrazovací genomiky založená na strojovém učení pro BCIG

Design výzkumu

1. Výzkum molekulární typizace rakoviny prsu na základě zobrazovacích funkcí
2. Vytvořte model predikce rizika recidivy rakoviny prsu Luminal
3. Vytvořte model predikce citlivosti cílené terapie HER2
4. Vytvořte model predikce molekulárního podtypu TNBC Metody výzkumu Cíl výzkumu Tato studie použila multicentrickou studii k prospektivnímu zařazení pacientek s rakovinou prsu s diagnózou patologie. Všechny zařazené pacientky měly kompletní klinická data, včetně demografických charakteristik (pohlaví, věk, menstruační stav a anamnéza plodnosti) a patologických dat (histopatologická data). Staging, imunohistochemický stav a FISH, genetické vyšetření zaznamenává skóre recidivy a genotyp), zobrazovací údaje, kompletní léčbu a sledování (zda se jedná o lokální recidivu a metastázy a dobu diagnózy).

Vyšetření magnetickou rezonancí Aby byla zachována srovnatelnost mezi snímky a omezily se systematické chyby, každé centrum vybírá pro skenování pevný MR přístroj. Mezi nimi a. Onkologická nemocnice se rozhodla skenovat snímky pomocí MR zařízení 3.0T (Siemens Skyra). Speciální prsní cívka se používá k přidání difuzně váženého skenování s vysokým rozlišením a difuzně váženého skenování s více hodnotami b před skenováním dynamického vylepšení. Dynamicky vylepšená akvizice v 5 fázích s časovým rozlišením 65s. b. Nemocnice Renji používá nizozemský supravodičový MR skener Philips Achieva 3.0 T, 4kanálovou vyhrazenou cívku s fázovým polem prsu. Skenovací sekvence zahrnují T1WI, T2WI, T2WI potlačení tuku, DWI a DCE-MRI. Kontrastní látkou byl Gd-DTPA s dávkou 0,1 mmol/kg, rychlostí injekce 2,0 ml/s a po injekci bylo do zkumavky přidáno dalších 20 ml fyziologického roztoku. Nejprve bylo provedeno skenování T1WI a po injekci kontrastní látky bylo průběžně snímáno 5 časových fází a každá časová fáze byla oddělena 61 s, celkem tedy 6 časových fází. C. Čínské ženy a děti jsou skenovány 1,5T zařízením SIEMENS AERA MR a speciálními prsními cívkami. Skenovací sekvence zahrnuje 5 fází T1WI, T2WI potlačení tuku, DWI a sken dynamického vylepšení, časové rozlišení 71s.

Zpracování obrazu Pomocí softwaru vytvořte poloautomatické a automatické obrysy oblasti zájmu nádoru a vytvořte obrys pevné části nádoru, celé oblasti nádoru a okolní zóny edému v příčné poloze. Aby bylo možné přesně vymezit nádor, porovnat T1 a T2 vážené a dynamicky vylepšené snímky, jsou zodpovědní dva zobrazovací lékaři, jeden je zodpovědný za vymezení a druhý je přezkoumán a sporná oblast je určena po diskuzi třetí osobou. Vytvořte dynamicky vylepšený program pro analýzu textury nádoru, který automaticky extrahuje zobrazovací omické prvky v oblasti zájmu. Pomocí označené datové sady je zkonstruován počítačově založený model automatického segmentačního algoritmu založený na strojovém učení, aby automaticky extrahoval oblasti zájmu a hodnocení výkonu segmentace se provádí na ručně vymezených štítcích.

Statistická analýza Provádějte statistickou analýzu získaných snímků a klinických dat, extrahujte obrazové omické funkce a použijte algoritmy strojového učení k zobrazení důležitých funkcí. Používejte statistické nástroje, jako je SPSS a jazyk R. Párový t test (kontinuální proměnná) a chí-kvadrát test (diskontinuální proměnná) byly použity k porovnání klinických a zobrazovacích charakteristik pacientů s různou prognózou; korelační analýza byla použita k vyhodnocení zobrazovacích histologických charakteristik a různých patologických stupňů tkáně, korelace mezi metastázami lymfatických uzlin a specifickou genovou expresí; použít Kaplan-Meierovu křivku přežití k analýze prognostického rozdílu mezi pacienty s různými zobrazovacími omickými charakteristikami a použít log-rank metodu k testování rozdílu; použijte Coxův model přežití k porovnání klinických charakteristik a zobrazovacích omik Charakteristiky a prognóza pacientů (přežití bez nádoru, přežití bez progrese, celkové přežití) byly analyzovány pomocí mnoha faktorů. Algoritmy hlubokého učení lze dále použít k automatickému učení zobrazovacích omických funkcí, které mohou souviset s molekulárními podtypy a prognózou pro vytváření predikčních modelů.