Studio clinico di imaging genomico basato sull'apprendimento automatico per BCIG

Progetto di ricerca

1. Ricerca sulla tipizzazione molecolare del cancro al seno basata sulle caratteristiche di imaging
2. Stabilire un modello di previsione del rischio di recidiva del cancro al seno Luminal
3. Stabilire un modello di previsione della sensibilità della terapia mirata HER2
4. Stabilire il modello di previsione del sottotipo molecolare TNBC Metodi di ricerca Oggetto della ricerca Questo studio ha utilizzato uno studio multicentrico per arruolare in modo prospettico pazienti con carcinoma mammario con diagnosi di patologia. Tutti i pazienti arruolati avevano dati clinici completi, comprese le caratteristiche demografiche (sesso, età, stato mestruale e storia della fertilità) e dati patologici (dati istopatologici). Stadiazione, stato immunoistochimico e FISH, i test genetici registrano il punteggio di recidiva e il genotipo), i dati di imaging, il trattamento completo e il follow-up (se vi è recidiva locale e metastasi e il momento della diagnosi).

Esame di risonanza magnetica Per mantenere la comparabilità tra le immagini e ridurre gli errori sistematici, ogni centro seleziona un dispositivo RM fisso per la scansione. Tra questi, A. Oncology Hospital ha scelto di scansionare le immagini con l'apparecchiatura RM 3.0T (Siemens Skyra). Una bobina pettorale speciale viene utilizzata per aggiungere la scansione pesata in diffusione ad alta definizione e la scansione pesata in diffusione con valore multi-b prima della scansione con miglioramento dinamico. Acquisizione potenziata dinamicamente in 5 fasi con una risoluzione temporale di 65s. B. L'ospedale Renji utilizza lo scanner per risonanza magnetica superconduttore Philips Achieva 3.0 T olandese, bobina phased array dedicata al seno a 4 canali. Le sequenze di scansione includono T1WI, T2WI, soppressione del grasso T2WI, DWI e DCE-MRI. L'agente di contrasto era Gd-DTPA, con una dose di 0,1 mmol/kg, una velocità di iniezione di 2,0 mL/s e dopo l'iniezione sono stati aggiunti alla provetta altri 20 mL di soluzione fisiologica. La scansione T1WI è stata eseguita per prima e 5 fasi temporali sono state scansionate continuamente dopo l'iniezione dell'agente di contrasto e ogni fase temporale è stata separata da 61 s, per un totale di 6 fasi temporali. C. Donne e bambini cinesi vengono scansionati con apparecchiature SIEMENS AERA MR da 1,5 T e bobine speciali per il seno. La sequenza di scansione include 5 fasi di soppressione del grasso T1WI, T2WI, DWI e scansione di miglioramento dinamico, risoluzione temporale 71s.

Elaborazione delle immagini Utilizzare il software per creare contorni semiautomatici e automatici dell'area di interesse del tumore e creare il contorno della parte di miglioramento solido del tumore, l'intera area del tumore e la zona dell'edema circostante in posizione trasversale. Al fine di delineare accuratamente il tumore, confrontare le immagini pesate in T1 e T2 e migliorate dinamicamente, sono responsabili due medici di imaging, uno è responsabile della delineazione e l'altro viene rivisto e l'area contestata viene determinata dopo la discussione da parte di una terza persona. Crea un programma dinamico di analisi della struttura del tumore potenziato per estrarre automaticamente le caratteristiche omiche di imaging nella regione di interesse. Utilizzando un set di dati etichettati, viene costruito un modello di algoritmo di segmentazione automatica basato su computer basato sull'apprendimento automatico per estrarre automaticamente le regioni di interesse e la valutazione delle prestazioni di segmentazione viene eseguita su etichette delineate manualmente.

Analisi statistica Esegui analisi statistiche sulle immagini e sui dati clinici ottenuti, estrai le caratteristiche dell'omica delle immagini e utilizza algoritmi di apprendimento automatico per schermare le caratteristiche importanti. Utilizza strumenti statistici come SPSS e il linguaggio R. Il test t appaiato (variabile continua) e il test chi-quadrato (variabile discontinua) sono stati utilizzati per confrontare le caratteristiche cliniche e di imaging di pazienti con prognosi diversa; l'analisi di correlazione è stata utilizzata per valutare le caratteristiche istologiche dell'imaging e i diversi gradi di tessuto patologico, Correlazione tra metastasi linfonodali ed espressione genica specifica; utilizzare la curva di sopravvivenza di Kaplan-Meier per analizzare la differenza prognostica tra pazienti con diverse caratteristiche omiche di imaging e utilizzare il metodo log-rank per testare la differenza; utilizzare il modello di sopravvivenza di Cox per confrontare le caratteristiche cliniche e l'imaging omico Le caratteristiche e la prognosi dei pazienti (sopravvivenza libera da tumore, sopravvivenza libera da progressione, sopravvivenza globale) sono state analizzate da molteplici fattori. Inoltre, gli algoritmi di deep learning possono essere utilizzati per apprendere automaticamente le caratteristiche omiche di imaging che possono essere correlate a sottotipi molecolari e prognosi per costruire modelli di previsione.