Képalkotó genomika klinikai vizsgálata gépi tanuláson alapuló BCIG számára

Kutatási terv

1. Az emlőrák molekuláris tipizálásának kutatása képalkotó jellemzők alapján
2. Hozzon létre egy Luminalis emlőrák kiújulási kockázati előrejelzési modellt
3. HER2 célzott terápia érzékenységi előrejelzési modell létrehozása
4. TNBC molekuláris altípus előrejelzési modell felállítása Kutatási módszerek Kutatási cél Ebben a tanulmányban egy többközpontú vizsgálatot használtak a patológiával diagnosztizált emlőrákos betegek prospektív bevonására. Minden bevont beteg teljes körű klinikai adatokkal rendelkezett, beleértve a demográfiai jellemzőket (nem, életkor, menstruációs állapot és termékenységi kórtörténet), valamint patológiai adatokat (kórszövettani adatok). A stádiumbesorolás, az immunhisztokémiai állapot és a FISH, a genetikai vizsgálat rögzíti a recidíva pontszámát és a genotípust, a képalkotó adatokat, a teljes kezelést és a nyomon követést (van-e lokális recidíva és metasztázis, valamint a diagnózis időpontja).

Mágneses rezonancia vizsgálat A képek összehasonlíthatóságának megőrzése és a szisztematikus hibák csökkentése érdekében minden központ egy rögzített MR készüléket választ a szkenneléshez. Közülük a. Az Onkológiai Kórház úgy döntött, hogy 3.0T (Siemens Skyra) MR berendezéssel szkenneli a képeket. Speciális melltekercset használnak a nagy felbontású diffúziós súlyozott szkennelés és a több b értékű diffúziós súlyozott szkennelés hozzáadására a dinamikus javítási szkennelés előtt. Dinamikusan javított adatgyűjtés 5 fázisban, 65 másodperces időfelbontással. b. A Renji Kórház Hollandia Philips Achieva 3.0 T szupravezető MR-szkennert, 4 csatornás, dedikált mellfázisú tömbtekercset használ. A szkennelési szekvenciák közé tartozik a T1WI, T2WI, T2WI zsírelnyomás, DWI és DCE-MRI. A kontrasztanyag Gd-DTPA volt, 0,1 mmol/kg dózissal, 2,0 ml/s injekciós sebességgel, és az injekció után további 20 ml sóoldatot adtunk a csőbe. Először a T1WI szkennelést végeztük el, és a kontrasztanyag beadása után 5 időfázisban folyamatosan pásztáztunk, és minden időfázisban 61 s választott el egymástól, összesen 6 időfázisban. c. A kínai nőket és csecsemőket 1,5T SIEMENS AERA MR berendezéssel és speciális melltekercsekkel szkennelik. A szkennelési szekvencia a T1WI, a T2WI zsírelnyomás, a DWI és a dinamikus fokozás szkennelés 5 fázisát tartalmazza, az időfelbontás 71 másodperc.

Képfeldolgozás Használjon szoftvert a daganat érdeklődési területének félautomata és automatikus körvonalainak elkészítéséhez, valamint a tumor szilárd fokozódási részének, a teljes tumorterület és a környező ödémás zóna körvonalának elkészítéséhez keresztirányú helyzetben. A daganat pontos körülhatárolása, a T1 és T2 súlyozott és dinamikusan javított képek összehasonlítása érdekében két képalkotó orvos a felelős, az egyik a lehatárolásért, a másik pedig áttekintésre kerül, a vitatott területet pedig harmadik személlyel történő megbeszélés után határozzák meg. Hozzon létre egy dinamikus, továbbfejlesztett tumortextúra-elemző programot, amely automatikusan kinyeri a képalkotási jellemzőket a kívánt régióban. Egy címkézett adatkészlet felhasználásával egy számítógépes, gépi tanuláson alapuló automatikus szegmentációs algoritmus modellt hoznak létre az érdeklődésre számot tartó régiók automatikus kinyerésére, és a szegmentálási teljesítmény értékelése manuálisan körvonalazott címkéken történik.

Statisztikai elemzés Végezzen statisztikai elemzést a kapott képeken és klinikai adatokon, kinyerje ki a képjellemzőket, és használjon gépi tanulási algoritmusokat a fontos jellemzők kiszűrésére. Használjon statisztikai eszközöket, például SPSS-t és R nyelvet. Az eltérő prognózisú betegek klinikai és képalkotó jellemzőinek összehasonlítására páros t-tesztet (folyamatos változó) és khi-négyzet tesztet (nem folytonos változó) alkalmaztunk; korrelációs analízist alkalmaztunk a képalkotó szövettani jellemzők és a különböző patológiás szöveti fokozatok értékelésére. A nyirokcsomó-metasztázis és a specifikus génexpresszió közötti összefüggés; használja a Kaplan-Meier túlélési görbét a különböző képalkotó jellemzőkkel rendelkező betegek prognosztikai különbségeinek elemzésére, és használja a log-rank módszert a különbség tesztelésére; cox túlélési modell használata a klinikai jellemzők és a képalkotó omikák összehasonlítására A betegek jellemzőit és prognózisát (tumormentes túlélés, progressziómentes túlélés, teljes túlélés) több tényező alapján elemeztük. Továbbá a mélytanulási algoritmusok felhasználhatók a molekuláris altípusokhoz és a prognózishoz kapcsolódó képalkotási jellemzők automatikus megtanulására az előrejelzési modellek felépítéséhez.