BCIG のための機械学習に基づくイメージングゲノミクスの臨床研究

研究デザイン

1. 画像特徴に基づく乳がんの分子タイピングに関する研究
2. Luminal乳がん再発リスク予測モデルの確立
3. HER2標的療法の感受性予測モデルを確立する
4. TNBC 分子サブタイプ予測モデルの確立 研究方法 研究目的 この研究では、病理学的に診断された乳がん患者を前向きに登録するために多施設研究を使用しました。 登録されたすべての患者は、人口統計学的特徴 (性別、年齢、月経の状態、生殖能力の履歴) および病理学的データ (組織病理学的データ) を含む完全な臨床データを持っていました。 病期分類、免疫組織化学的状態および FISH、遺伝子検査により再発スコアおよび遺伝子型が記録されます）、画像データ、完全な治療および追跡調査（局所再発および転移の有無、および診断時期）。

磁気共鳴検査 画像間の比較可能性を維持し、系統的誤差を減らすために、各センターはスキャン用に固定式 MR 装置を選択します。 その中で、A.腫瘍病院は、3.0T (Siemens Skyra) MR 装置を使用して画像をスキャンすることを選択しました。 特別な胸部コイルを使用して、ダイナミックエンハンスメントスキャンの前に、高解像度の拡散強調スキャンとマルチb値の拡散強調スキャンを追加します。 65 秒の時間分解能で 5 つのフェーズで動的に強化された取得。 b. Renji 病院は、オランダの Philips Achieva 3.0 T 超電導 MR スキャナー、4 チャンネル専用の胸部フェーズド アレイ コイルを使用しています。 スキャンシーケンスには、T1WI、T2WI、T2WI脂肪抑制、DWI、DCE-MRIが含まれます。 造影剤は Gd-DTPA で、用量は 0.1 mmol/kg、注入速度は 2.0 mL/秒で、注入後にさらに 20 mL の生理食塩水をチューブに加えました。 最初に T1WI スキャンが実行され、造影剤の注入後に 5 つの時相が連続的にスキャンされ、各時相は 61 秒間隔で合計 6 つの時相になりました。 c. 中国の女性と乳児は、1.5T SIEMENS AERA MR 装置と特殊な胸部コイルを使用してスキャンされます。 スキャン シーケンスには、T1WI、T2WI 脂肪抑制、DWI、およびダイナミック エンハンスメント スキャンの 5 フェーズが含まれ、時間分解能は 71 秒です。

画像処理 ソフトウェアを使用して腫瘍関心領域の半自動および自動輪郭を作成し、横位置で腫瘍充実部分、腫瘍領域全体および周囲の浮腫領域の輪郭を作成します。 腫瘍の輪郭を正確に描写するために、T1 と T2 の強調画像と動的に強調された画像を比較します。2 人の画像医師が責任を負い、1 人が輪郭描写を担当し、もう 1 人がレビューを担当し、係争領域は第三者による議論の後に決定されます。 動的に強化された腫瘍組織解析プログラムを作成して、関心領域内のイメージング オミクス特徴を自動的に抽出します。 ラベル付きデータセットを使用して、機械学習に基づくコンピューターベースの自動セグメンテーションアルゴリズムモデルを構築して、関心領域を自動的に抽出し、手動で描画されたラベルに対してセグメンテーションパフォーマンス評価が実行されます。

統計分析 取得した画像と臨床データに対して統計分析を実行し、画像オミクス特徴を抽出し、機械学習アルゴリズムを使用して重要な特徴をスクリーニングします。 SPSS や R 言語などの統計ツールを使用します。 対応のある t 検定 (連続変数) とカイ二乗検定 (不連続変数) を使用して、異なる予後の患者の臨床的および画像的特徴を比較しました。相関分析は、画像組織学的特徴とさまざまな病理学的組織グレードを評価するために使用されました。リンパ節転移と特定の遺伝子発現の間の相関。カプランマイヤー生存曲線を使用して、異なるイメージングオミクス特性を持つ患者間の予後差異を分析し、ログランク法を使用して差異を検定します。 cox 生存モデルを使用して臨床的特徴と画像オミックスを比較します。 患者の特徴と予後 (無腫瘍生存、無増悪生存、全生存) を複数の要因によって分析しました。 さらに、ディープラーニングアルゴリズムを使用して、分子のサブタイプや予後に関連する可能性のあるイメージングオミックスの特徴を自動的に学習し、予測モデルを構築することができます。