Phänotypisierung des Leberkrebsregisters (PHELICAR)

Die Studie wird durch zwei unterschiedliche Phasen voranschreiten.

• Phase 1 besteht aus zwei Hauptphasen: Die erste Phase wird einzigartige Tumorphänotypen basierend auf der iBiopsy-Phänotypisierungsplattform identifizieren, die bildbasierte Signaturen extrahiert, die jedem einzelnen Phänotyp entsprechen, und die analytische/technische Leistung der iBiopsy-Plattform bewerten. Lücken in der Charakterisierung der analytischen Auslesung unter variierenden Bedingungen der Bildaufnahme und der Wiederholvariabilität unter identischen Analysebedingungen werden durch das vorgeschlagene Design geschlossen. Sobald eine Reihe geeigneter Tumorphänotypen identifiziert wurde, werden sie in die Charakterisierungsphase übergehen. Dies erfolgt durch die Auswertung eines ersten repräsentativen spezifischen Datensatzes (z. Hunderte von Patienten) für Training (zu entdecken) und Validierung (um Robustheit zu testen). Die zweite Phase wird eine vorläufige biologische/klinische Validierung der oben genannten Phänotypen für die Diagnose und Subtypisierung der Krankheit abschließen. Dazu gehört die Untersuchung eines großen Datensatzes (z. Tausende von Patienten) CDR für Training und Validierung unter Verwendung histopathologischer Daten als Referenzstandard und Optimierung der Bildgebungssignaturen mithilfe von KI-basierten Lernmethoden.
• Phase 2 ist ebenfalls zweistufig. Die erste Phase von Phase 2 besteht darin, die Kandidaten-Phänotypen, die sich aus Phase 1 für die Diagnose von Patienten mit HCC ergeben, rigoros zu validieren. Die zweite Stufe von Phase 2 besteht darin, diese ausgewählten Kandidaten-Phänotypen für die Vorhersage des Ergebnisses zu validieren. Diese strengen Validierungen umfassen die Verwendung großer CDR von Patienten mit HCC (biologische/klinische Validierung im Spätstadium).

Herkömmliche medizinische Bildabrufsysteme wie Picture Archival Systems (PACS) verwenden strukturierte Daten (Metadaten) oder unstrukturierte Textanmerkungen (Arztberichte), um die Bilder abzurufen. Der Inhalt der Bilder kann jedoch nicht vollständig mit Worten beschrieben werden, und das Verständnis von Bildern ist von Person zu Person unterschiedlich, daher kann ein textbasiertes Bildabrufsystem die Anforderungen für einen massiven Bildabruf nicht erfüllen. Als Reaktion auf diese Einschränkungen wurden CBIR-Systeme entwickelt, die anstelle von Schlüsselwörtern visuelle Merkmale verwenden, die aus den Bildern extrahiert wurden. Ein wichtiges und nützliches Ergebnis dieser CBIR ist die Möglichkeit, die semantische Lücke zu schließen, indem es Benutzern ermöglicht wird, ein Bildarchiv nach Bildmerkmalen auf hoher Ebene zu durchsuchen, was den Abgleich von bildbasierten Phänotypsignaturen ermöglicht, die direkt aus dem abgefragten medizinischen Bild mit indexierten Phänotypsignaturen extrahiert wurden in einem Register.

Das CBIR-System von Median Technologies verwendet patentierte Algorithmen und Prozesse, um die Bilder zu dekodieren, indem es automatisch Hunderte von Bildmerkmalen sowie hochkompakte Signaturen aus Zehntausenden von 3D-Bildfeldern extrahiert, die über das gesamte Bild hinweg berechnet werden, ohne dass eine vorherige Segmentierung erforderlich ist. Zusätzlich zu detaillierten phänotypischen Profilen, die mit histopathologischen und genomischen und plasmatischen Profilen korreliert werden können, generiert das System eine eindeutige Signatur für jede Kachel, die einen Fingerabdruck des "bildbasierten Phänotyps" des entsprechenden Gewebes liefert. Unter Verwendung von massiv parallelen Computermethoden werden bildgebende Biomarker und Phänotypsignaturen aus einem Zielbild extrahiert, dann in Clustern ähnlicher Signaturen organisiert und für die Echtzeitsuche und den Abruf in schemalosen (NoSQL) Datenbanken indiziert.