Bildgebende Genomik des Stoffwechsels zur Vorhersage der chirurgischen Ergebnisse von Darmkrebs

Bei diesem Experiment handelt es sich um eine prospektive Kohortenstudie, an der voraussichtlich 300 Patienten teilnehmen werden, bei denen Darmkrebs diagnostiziert wurde und die sich am First Affiliated Hospital der Chongqing Medical University einer radikalen Darmkrebsoperation unterzogen haben.

1. Datenerfassung vor und nach der chirurgischen Behandlung

1. Studienteilnehmer: Patienten, bei denen Darmkrebs diagnostiziert wurde und die sich freiwillig einer radikalen Darmkrebsoperation im First Affiliated Hospital der Chongqing Medical University unterziehen, werden eingeschlossen; Vor der Operation werden präoperative Bildgebungsbilder gesammelt und den Patienten werden 2 ml Blutproben für Bildgebungs- und Metabolomics-Studien entnommen.
2. Beurteilung der Follow-up-Wirksamkeit: Die in dieses Projekt einbezogenen Studienteilnehmer wurden nach einer Operation nachuntersucht, und das Gesamtüberleben (OS) und das krankheitsfreie Überleben (DFS) der Studienteilnehmer sollten mindestens drei Jahre lang nachuntersucht werden.

2. Untersuchen Sie anhand von Bildgebungsbildern von Darmkrebs vor der Behandlung die bildgebenden histologischen Merkmale, die die Prognose von Darmkrebspatienten vorhersagen, und entwickeln Sie ein bildgebendes histologisches Vorhersagemodell für Darmkrebs.

1. Erstellen Sie ein bildgebendes Histologie-Vorhersagemodell für Darmkrebs auf der Grundlage der Bildgebungsbilder der Studienteilnehmer und weisen Sie diese dann vom Computer gemäß 7:3 zufällig der Trainingskohorte und der Validierungskohorte zu, um eine Modellbewertung durchzuführen. Für die Entwicklung von bildgebenden Histologiemodellen und die interne Validierung werden Deep-Learning-Methoden für die Merkmalsextraktion in der bildgebenden Histologie eingesetzt, um zwei Hauptkategorien von Bildmerkmalen zu extrahieren: Bei der einen handelt es sich um manuell definierte Merkmale wie Tumorform, Intensität, Textur und Wavelets, bei der anderen um nicht spezifizierte Merkmale, die mithilfe von Faltungs-Neuronalen Netzen extrahiert wurden. Für die manuell definierten Merkmale extrahieren wir die Merkmale von Darmkrebs-Krebsherden. Die Krebsherde werden von Radiologen auf den bildgebenden Bildern umrissen und vier Arten von Bildmerkmalen, nämlich Form, Intensität, Textur und Wavelet-Transformation, werden aus den Krebsherden extrahiert. Die spezifischen Anforderungen sind: Die anhand der Form extrahierten Merkmale sind mit der visuellen Beurteilung des Arztes kompatibel, z. B. ist der Umriss nicht glänzend, die Kanten sind unscharf usw.; Die durch Intensität extrahierten Merkmale können die homogene Natur der Brennpunkte usw. widerspiegeln: Die durch Textur und Wavelet-Transformation extrahierten Merkmale gehören zu den hochdimensionalen komplexen Merkmalen. kann Informationen extrahieren, die mit der Sehkraft des Arztes nicht extrahiert werden können. Für die Merkmalsextraktion durch ein Faltungs-Neuronales Netzwerk wird zunächst die Region of Interest (ROI) von Darmkrebsherden skizziert und adaptive Merkmale für bestimmte Ziele durch überwachtes Lernen erlernt. Das Faltungs-Neuronale Netzwerk führt eine schichtweise nichtlineare Transformation und Faltungsoperation an umfangreichen Bilddaten durch und seine erlernten Funktionen sind zielgerichteter und anpassungsfähiger als die manuell entworfenen Funktionen. Durch die Verschmelzung der beiden Hauptkategorien extrahierter Bildmerkmale wird die Idee der Kombination statistischer Analyse und mehrerer Methoden zur Merkmalsauswahl durch maschinelles Lernen verwendet, um alle extrahierten Merkmale auf Stabilität und Wiederholbarkeit zu überprüfen und Schlüsselmerkmale mit hoher Stabilität, hoher Differenzierung und hoher Unabhängigkeit zu erhalten für die anschließende Entwicklung von Vorhersagemodellen.
2. Entwicklung eines bildgebenden Histologie-Vorhersagemodells für Darmkrebs und Aufklärung der Machbarkeit der bildgebenden Histologie zur Vorhersage der Prognose von Darmkrebspatienten. Verwendung der Bildgebungsfunktionen für Darmkrebs, klinischer Informationen und pathologischer Diagnoseinformationen, die aus den in die Studie einbezogenen Forschungsthemen ausgewählt wurden, als Eingabeinformationen und durch die Kombination einer Vielzahl bestehender fortschrittlicher maschineller Lernalgorithmen (Vektormaschine, Random Forest, AdaBoost, Deep Learning, usw.) wird eine Kreuzvalidierung verwendet, um die Zuverlässigkeit und Stabilität des Modells sicherzustellen, und schließlich wird ein endgültiges Design entwickelt, das mithilfe der Bildgebung die Prognose von Darmkrebs vorhersagen kann. Modell zur Vorhersage der bildgebenden Histologie. Das Modell sollte nach seiner Einrichtung zunächst in der Validierungskohorte intern validiert werden und sollte auch extern validiert werden, da die externe Validierung von Modelldaten im Allgemeinen als unabhängiger angesehen wird und die Validierung stärkt, um die Machbarkeit der bildgebenden Histologie zur Bewertung der Prognose zu klären Darmkrebs.

3. Entwicklung von bildgebenden Metabolomik-Vorhersagemodellen im Zusammenhang mit der Prognose von Darmkrebs.

1. Um die metabolischen Marker im Zusammenhang mit der Prognose von Darmkrebspatienten zu untersuchen, wurden Krebsgewebe und Blutproben der Probanden verwendet.
2. Metabolomische Tests wurden anhand von Blutproben der Studienteilnehmer durchgeführt. Für die Metabolomics-Studie wurde metabolomischer Fingerabdruck verwendet, bei dem mithilfe der Flüssigchromatographie-Massenspektrometrie (LC-MS) die jeweiligen Metaboliten behandlungsresistenter und wirksamer ESCC-Gewebe verglichen wurden, um alle darin enthaltenen Metaboliten zu identifizieren. Beim metabolischen Fingerabdruck werden die massenspektrometrischen Peaks von Metaboliten bei verschiedenen Personen verglichen, um letztendlich die Struktur verschiedener Verbindungen zu verstehen und einen vollständigen Satz analytischer Methoden zur Identifizierung der Eigenschaften dieser verschiedenen Verbindungen zu etablieren. Die Schritte des nicht zielgerichteten Metabolomics-Assays sind wie folgt: 1) Erhalten von Probeninformationen: Qualitätskontrollproben (QC) werden vorbereitet, um den Zustand des Instruments und des Gleichgewichtschromatographie-Massenspektrometriesystems (CS-MS) vor der Probenahme zu bestimmen werden zur Auswertung herangezogen. Die Stabilität des Systems während des gesamten Experiments.2) Probenvorverarbeitung.3) Chromatographie-Massenspektrometrie-Analyse.4) Datenverarbeitung zur Identifizierung differenzieller Metaboliten.5) Differentieller Metabolitenstoffwechsel.6) Probenanalyse.