Étude clinique de l'imagerie génomique basée sur l'apprentissage automatique pour BCIG

Conception de la recherche

1. Recherche sur le typage moléculaire du cancer du sein basé sur les caractéristiques d'imagerie
2. Établir un modèle de prédiction du risque de récidive du cancer du sein Luminal
3. Établir un modèle de prédiction de la sensibilité à la thérapie ciblée HER2
4. Établir un modèle de prédiction du sous-type moléculaire TNBC Méthodes de recherche Objet de la recherche Cette étude a utilisé une étude multicentrique pour inscrire de manière prospective des patientes atteintes d'un cancer du sein diagnostiquées avec une pathologie. Tous les patients inscrits avaient des données cliniques complètes, y compris des caractéristiques démographiques (sexe, âge, statut menstruel et antécédents de fertilité) et des données pathologiques (données histopathologiques). Stadification, statut immunohistochimique et FISH, les tests génétiques enregistrent le score de récidive et le génotype), les données d'imagerie, le traitement complet et le suivi (s'il existe une récidive locale et des métastases, et le moment du diagnostic).

Examen par résonance magnétique Afin de maintenir la comparabilité entre les images et de réduire les erreurs systématiques, chaque centre sélectionne un appareil RM fixe pour le balayage. Parmi eux, un. L'hôpital d'oncologie a choisi de scanner les images avec un équipement RM 3.0T (Siemens Skyra). Une bobine mammaire spéciale est utilisée pour ajouter un balayage pondéré en diffusion haute définition et un balayage pondéré en diffusion multi-valeur b avant le balayage d'amélioration dynamique. Acquisition améliorée dynamiquement en 5 phases avec une résolution temporelle de 65s. b. L'hôpital Renji utilise le scanner IRM supraconducteur Philips Achieva 3.0 T des Pays-Bas, une bobine à réseau phasé mammaire dédiée à 4 canaux. Les séquences de balayage incluent T1WI, T2WI, suppression de graisse T2WI, DWI et DCE-MRI. L'agent de contraste était le Gd-DTPA, avec une dose de 0,1 mmol/kg, un débit d'injection de 2,0 ml/s et 20 ml supplémentaires de solution saline ont été ajoutés au tube après l'injection. Le scan T1WI a été effectué en premier, et 5 phases de temps ont été scannées en continu après l'injection d'agent de contraste, et chaque phase de temps a été séparée de 61 s, pour un total de 6 phases de temps. c. Les femmes et les bébés chinois sont scannés avec un équipement 1.5T SIEMENS AERA MR et des bobines mammaires spéciales. La séquence de balayage comprend 5 phases de T1WI, suppression de graisse T2WI, DWI et balayage d'amélioration dynamique, résolution temporelle 71s.

Traitement d'image Utilisez un logiciel pour créer des contours semi-automatiques et automatiques de la zone d'intérêt de la tumeur et tracez le contour de la partie d'amélioration solide de la tumeur, de l'ensemble de la zone tumorale et de la zone d'œdème environnante en position transversale. Afin de délimiter précisément la tumeur, comparer les images pondérées T1 et T2 et rehaussées dynamiquement, deux médecins imageurs sont responsables, l'un est responsable de la délimitation et l'autre est revu, et la zone litigieuse est déterminée après discussion par une tierce personne. Créez un programme dynamique d'analyse de texture tumorale améliorée pour extraire automatiquement les caractéristiques d'imagerie omiques dans la région d'intérêt. À l'aide d'un ensemble de données étiquetées, un modèle d'algorithme de segmentation automatique informatisé basé sur l'apprentissage automatique est construit pour extraire automatiquement les régions d'intérêt, et l'évaluation des performances de segmentation est effectuée sur des étiquettes délimitées manuellement.

Analyse statistique Effectuez une analyse statistique sur les images et les données cliniques obtenues, extrayez les caractéristiques de l'image-omique et utilisez des algorithmes d'apprentissage automatique pour filtrer les caractéristiques importantes. Utiliser des outils statistiques tels que SPSS et le langage R. Le test t apparié (variable continue) et le test du chi carré (variable discontinue) ont été utilisés pour comparer les caractéristiques cliniques et d'imagerie de patients ayant un pronostic différent ; une analyse de corrélation a été utilisée pour évaluer les caractéristiques histologiques d'imagerie et les différents grades de tissus pathologiques, la corrélation entre les métastases ganglionnaires et l'expression génique spécifique ; utiliser la courbe de survie de Kaplan-Meier pour analyser la différence pronostique entre les patients présentant différentes caractéristiques d'imagerie-omique, et utiliser la méthode du log-rank pour tester la différence ; utiliser le modèle de survie de Cox pour comparer les caractéristiques cliniques et les images-omiques Les caractéristiques et le pronostic des patients (survie sans tumeur, survie sans progression, survie globale) ont été analysés par de multiples facteurs. En outre, des algorithmes d'apprentissage en profondeur peuvent être utilisés pour apprendre automatiquement les caractéristiques d'omiques d'imagerie qui peuvent être liées à des sous-types moléculaires et au pronostic pour créer des modèles de prédiction.