表現型肝がん登録 (PHELICAR)

この研究は、2 つの異なる段階を経て進められます。

• フェーズ 1 には 2 つの主な段階があります。最初の段階では、個々の表現型に対応する画像ベースのシグネチャを抽出する iBiopsy 表現型プラットフォームに基づいて、固有の腫瘍表現型を特定し、iBiopsy プラットフォームの分析的/技術的パフォーマンスを評価します。 画像取得のさまざまな条件下での分析読み出しの特徴付けのギャップと、同一の分析条件下での繰り返しの変動性は、提案された設計によって埋められます。 適切な腫瘍表現型のセットが特定されると、特性評価段階に進みます。 これは、最初の代表的な特定のデータセットの評価によって行われます (例: 数百人の患者) を訓練 (発見) および検証 (堅牢性をテスト) するために使用します。 第 2 段階では、診断と疾患のサブタイピングのために、上記の表現型の予備的な生物学的/臨床的検証を完了します。 これには、大規模なデータセットの調査が含まれます (例: 何千人もの患者) 組織病理学データを参照標準として使用し、AI ベースの学習方法論を使用して画像シグネチャを最適化する、トレーニングと検証のための CDR。
• フェーズ 2 にも 2 つの段階があります。 フェーズ 2 の第 1 段階は、HCC 患者の診断のためにフェーズ 1 から出現した候補表現型を厳密に検証することです。 フェーズ 2 の第 2 段階は、これらの選択された候補表現型を結果の予測のために検証することです。 これらの厳密な検証には、HCC 患者の大規模な CDR の使用が含まれます (後期段階の生物学的/臨床的検証)。

Picture Archival Systems (PACS) などの従来の医療画像検索システムは、構造化データ (メタデータ) または非構造化テキスト注釈 (医師のレポート) を使用して画像を検索します。 しかし、画像の内容は言葉では言い尽くせず、画像の理解は人によって異なるため、テキストベースの画像検索システムは大量の画像検索の要件を満たすことができません。 これらの制限に対応して、キーワードの代わりに画像から抽出された視覚的特徴を使用する CBIR システムが開発されました。 これらの CBIR の重要かつ有用な結果は、セマンティック ギャップを埋める可能性であり、ユーザーは高レベルの画像特徴を画像リポジトリで検索できるようになり、クエリの医療画像から直接抽出された画像ベースの表現型シグネチャと、索引付けされた表現型シグネチャとのマッチングが可能になります。レジストリで。

Median Technologies の CBIR システムは、特許取得済みのアルゴリズムとプロセスを使用して、事前のセグメンテーションを必要とせずに、画像全体で計算された数万の 3D 画像パッチから、数百の画像特徴と非常にコンパクトな署名を自動的に抽出することにより、画像をデコードします。 組織病理学およびゲノムおよび血漿プロファイルと関連付けることができる詳細な表現型プロファイルに加えて、システムは、対応する組織の「画像ベースの表現型」のフィンガープリントを提供する各タイルに固有の署名を生成します。 大規模な並列コンピューティング手法を使用して、イメージング バイオマーカーと表現型シグネチャがターゲット画像から抽出され、同様のシグネチャのクラスターに編成され、リアルタイム検索およびスキーマレス (NoSQL) データベースへの取得のためにインデックスが作成されます。