Vorhersage der Platinresistenz und Prognose von hochgradigem serösem Eierstockkrebs (PPRPHGSOC)

Das hochgradige seröse Ovarialkarzinom (HGSOC) ist der häufigste Subtyp des Ovarialkarzinoms. Platinbasierte Medikamente sind die Chemotherapeutika der ersten Wahl für HGSOC, aber Platinresistenz und Prognose sind schwer vorherzusagen. In- und ausländische Studien haben ergeben, dass die multifunktionale MRT die makroskopische Heterogenität von Tumoren aus verschiedenen Perspektiven widerspiegeln könnte; Die Habitat-Bildgebung trug dazu bei, die räumliche Heterogenität von Tumoren widerzuspiegeln. Der Aufmerksamkeitsmechanismus könnte Merkmale verschiedener Maßstäbe integrieren. und Multi-Omics konnten die Vorhersageleistung verbessern. Zuvor hat unser Team die Bedeutung der MRT und ihrer funktionellen Bildgebung bei der Diagnose und histologischen Beurteilung gynäkologischer Tumoren gezeigt. Und konventionelle MRT-Habitatbildgebung, Multi-Instanz-Lernen auf der Grundlage von Whole-Slide-Images (WSI) und Multi-Omics-Modellen könnten die Platinresistenz bei HGSOC-Patienten effektiv vorhersagen. Daher zielt diese Studie darauf ab, Lebensraumbildgebung mit multifunktionaler MRT wie Multi-B-Wert-DWI und DCE-MRT durchzuführen und WSI-basiertes Multi-Instanz-Lernen zu trainieren, um pathologische Signaturen zu erstellen. Anschließend wurde in Kombination mit klinischen Indikatoren, Radiomics basierend auf dem MRT-Habitat und Pathomics ein Multi-Omics-Fusionsmodell erstellt, das durch Aufmerksamkeitsmechanismen trainiert wurde. Schließlich soll der Wert von MRT-Habitat, WSI und Multi-Omics bei der Vorhersage der Platinresistenz und Prognose bei HGSOC-Patienten untersucht werden. Diese Studie kombiniert makroskopische funktionelle Bildgebung und mikroskopische pathologische Informationen, um ein komplementäres Multi-Omics-Modell zu erstellen, das die Platinresistenz und Prognose von HGSOC-Patienten umfassender und genauer vorhersagen und die Formulierung der klinischen Behandlung weiter steuern kann.