Fenotipizzazione del registro dei tumori epatici (PHELICAR)

Lo studio procederà attraverso due fasi distinte.

• La fase 1 ha due fasi principali: la prima fase identificherà fenotipi tumorali unici basati sulla piattaforma di fenotipizzazione iBiopsy che estrae le firme basate su immagini corrispondenti a ciascun singolo fenotipo e valuterà le prestazioni analitiche/tecniche della piattaforma iBiopsy. Le lacune nella caratterizzazione della lettura analitica in condizioni variabili di acquisizione dell'immagine e la variabilità ripetuta in condizioni analitiche identiche saranno colmate dal progetto proposto. Una volta identificato un insieme di fenotipi tumorali idonei, si passerà alla fase di caratterizzazione. Ciò avverrà mediante la valutazione di un dataset specifico rappresentativo iniziale (ad es. centinaia di pazienti) per la formazione (da scoprire) e la convalida (per testare la robustezza). La seconda fase completerà una validazione biologica/clinica preliminare dei suddetti fenotipi per la diagnosi e la sottotipizzazione della malattia. Ciò include l'analisi di un set di dati di grandi dimensioni (ad es. migliaia di pazienti) CDR per la formazione e la convalida, utilizzando i dati istopatologici come standard di riferimento e l'ottimizzazione delle firme di imaging utilizzando metodologie di apprendimento basate sull'intelligenza artificiale.
• Anche la fase 2 ha due fasi. La prima fase della Fase 2 è validare rigorosamente i fenotipi candidati che emergono dalla Fase 1 per la diagnosi di soggetti con HCC. La seconda fase della Fase 2 consiste nel convalidare questi fenotipi candidati selezionati per la previsione dell'esito. Queste rigorose convalide includono l'utilizzo di un'ampia CDR di pazienti con HCC (convalida biologica/clinica in fase avanzata).

I tradizionali sistemi di recupero di immagini mediche come Picture Archival Systems (PACS) utilizzano dati strutturati (metadati) o annotazioni di testo non strutturate (rapporti medici) per recuperare le immagini. Tuttavia, il contenuto delle immagini non può essere completamente descritto dalle parole e la comprensione delle immagini è diversa da persona a persona, pertanto il sistema di recupero delle immagini basato su testo non può soddisfare i requisiti per il recupero di immagini di massa. In risposta a queste limitazioni, sono stati sviluppati sistemi CBIR che utilizzano caratteristiche visive estratte dalle immagini al posto delle parole chiave. Un risultato importante e utile di questi CBIR è la possibilità di colmare il divario semantico, consentendo agli utenti di cercare in un repository di immagini caratteristiche di immagini di alto livello che consentano la corrispondenza di firme fenotipiche basate su immagini estratte direttamente dall'immagine medica di query con firme fenotipiche indicizzate in un registro.

Il sistema CBIR di Median Technologies utilizza algoritmi e processi brevettati per decodificare le immagini estraendo automaticamente centinaia di caratteristiche di imaging e firme altamente compatte da decine di migliaia di patch di immagini 3D calcolate sull'intera immagine senza la necessità di alcuna segmentazione preventiva. Oltre ai profili fenotipici dettagliati che possono essere correlati con l'istopatologia ei profili genomici e plasmatici, il sistema genera una firma univoca per ciascuna piastrella fornendo un'impronta digitale del "fenotipo basato sull'immagine" del tessuto corrispondente. Utilizzando metodi di calcolo massicciamente paralleli, i biomarcatori di imaging e le firme del fenotipo vengono estratti da un'immagine di destinazione, quindi organizzati in cluster di firme simili e indicizzati per la ricerca e il recupero in tempo reale in database senza schema (NoSQL).