Fænotyping af leverkræftregister (PHELICAR)

Undersøgelsen vil gå gennem to adskilte faser.

• Fase 1 har to hovedfaser: Den første fase vil identificere unikke tumorfænotyper baseret på iBiopsy-fænotypingsplatformen, som udtrækker billedbaserede signaturer svarende til hver enkelt fænotype og vil vurdere den analytiske/tekniske ydeevne af iBiopsy-platformen. Huller i karakterisering af den analytiske udlæsning under forskellige betingelser for billedoptagelse og gentagelsesvariabiliteten under identiske analytiske betingelser vil blive udfyldt af det foreslåede design. Når et sæt egnede tumorfænotyper er blevet identificeret, vil de gå videre til karakteriseringsfasen. Dette vil blive gjort ved at evaluere et indledende repræsentativt specifikt datasæt (f.eks. hundredvis af patienter) til træning (for at opdage) og validering (for at teste robusthed). Den anden fase vil fuldføre en foreløbig biologisk/klinisk validering af ovenstående fænotyper til diagnose og sygdomsundertypebestemmelse. Dette inkluderer undersøgelse af et stort datasæt (f.eks. tusindvis af patienter) CDR til træning og validering, ved hjælp af histopatologiske data som referencestandard og optimering af billeddannelsessignaturerne ved hjælp af AI-baserede læringsmetoder.
• Fase 2 har også to trin. Den første fase af fase 2 er strengt at validere de kandidatfænotyper, der dukker op fra fase 1 til diagnosticering af forsøgspersoner med HCC. Anden fase af fase 2 er at validere disse udvalgte kandidatfænotyper til forudsigelse af resultatet. Disse strenge valideringer omfatter brug af store CDR af patienter med HCC (sen stadium biologisk/klinisk validering).

Traditionelle medicinske billedhentningssystemer såsom Picture Archival Systems (PACS) bruger strukturerede data (metadata) eller ustrukturerede tekstannoteringer (lægerapporter) til at hente billederne. Billedernes indhold kan dog ikke beskrives fuldstændigt med ord, og billedforståelsen er forskellig fra person til person, derfor kan tekstbaseret billedsøgningssystem ikke opfylde kravene til massiv billedsøgning. Som reaktion på disse begrænsninger er der udviklet CBIR-systemer, der bruger visuelle funktioner udtrukket fra billederne i stedet for nøgleord. Et vigtigt og nyttigt resultat af disse CBIR er muligheden for at bygge bro over det semantiske kløft, hvilket giver brugerne mulighed for at søge i et billedlager efter billedfunktioner på højt niveau, hvilket muliggør matchning af billedbaserede fænotypesignaturer udtrukket direkte fra forespørgslens medicinske billede med fænotypesignaturer indekseret i et register.

Median Technologies CBIR-systemet bruger patenterede algoritmer og processer til at afkode billederne ved automatisk at udtrække hundredvis af billedfunktioner samt meget kompakte signaturer fra titusindvis af 3D-billedpatches beregnet på tværs af hele billedet uden behov for nogen forudgående segmentering. Ud over detaljerede fænotypiske profiler, som kan korreleres med histopatologi og genomiske og plasmatiske profiler, genererer systemet en unik signatur for hver flise, der giver et fingeraftryk af den "billedbaserede fænotype" af det tilsvarende væv. Ved hjælp af massivt parallelle computermetoder udvindes billeddannelsesbiomarkører og fænotypesignaturer fra et målbillede, organiseres derefter i klynger af lignende signaturer og indekseres til realtidssøgning og genfinding i skemaløse (NoSQL) databaser.