직장암의 이시성 전이 위험 예측을 위한 다중 모드 영상 시스템 구축 (MIS-MRC)

엄격한 특별 관리 구현에 따른 데이터 수집 프로세스, 전체 이름은 품질 관리입니다. 의무기록시스템에서 환자의 임상영상 및 병리학적 정보를 수집하는 업무는 전문 인력이 담당하며, 개인식별정보는 시험환자/참가자의 개인정보 보호를 위해 식별 및 처리하는 데 사용됩니다. 동시에 품질 관리 및 소스 데이터 검증을 담당하는 특별 담당자가 있습니다. 참여자는 프로젝트 고유번호를 고유식별코드로 사용하며, 샘플관리 담당자가 입력한 개인정보, 사건정보 등을 저장하며, 사용자는 개인번호만 볼 수 있으며 더 이상 참여자의 이름 및 기타 개인정보는 표시되지 않습니다. 변수의 소스, 코딩 정보 등 레지스트리에서 사용하는 각 변수에 대한 자세한 설명을 담은 데이터 사전이 구축되었습니다. 참여자의 시료정보는 전용컴퓨터에 전자적으로 저장되며, 다른 목적으로는 사용되지 않으며, 비밀번호를 부여받고 있으며, 비밀번호는 시료를 관리하는 자(1인)만이 알 수 있습니다. 참가자의 의료 기록은 병원에 보관되며 연구자만 접근할 수 있습니다. 필요한 경우 입찰기관, 윤리위원회, 정부관리부서 등은 해당 권한에 따라 참가자의 개인정보에 접근할 수 있습니다. 연구 결과는 통계적으로 분석된 데이터로 게시되며 식별 가능한 참가자 정보는 포함되지 않습니다.

의뢰자는 프로토콜, 우수 임상 관행( GCP) 및 관련 규제 요구사항을 준수해야 합니다. SOP는 시스템 설정, 설치 및 사용을 다루어야 합니다. SOP는 시스템 검증 및 기능 테스트, 데이터 수집 및 처리, 시스템 유지 관리, 시스템 보안 조치, 변경 제어, 데이터 백업, 복구, 비상 계획 및 폐기를 설명해야 합니다. 이러한 컴퓨터화된 시스템의 사용과 관련된 후원자, 시험자 및 기타 당사자의 책임은 명확해야 하며 사용자에게는 사용 교육을 제공해야 합니다. 조사자/기관 또는 후원자의 직원이 프로토콜, SOP, GCP 및/또는 해당 규제 요구 사항을 준수하지 않을 경우 후원자는 규정 준수를 보장하기 위한 신속한 조치를 취해야 합니다.

LARC의 이환율과 원격 전이 위험에 따라 표본 크기는 300명이며 추적 관찰 간격은 최소 3년입니다.

누락된 데이터에 대한 계획: 누락된 데이터의 비율이 95%를 초과하는 등 매우 큰 경우 조사자는 이 필드를 직접 제거할 수 있습니다. 50~95%에서 조사관은 두 가지 처리 방법을 사용합니다. 하나는 이 필드를 직접 제거하는 것입니다. 또 다른 방법은 필드를 표시 변수로 바꾸는 것입니다. 그것은 0-1 변수입니다. 필드가 비어 있으면 필드는 0입니다. 그렇지 않은 경우 필드는 1입니다. 5%에서 50% 사이: 이 시나리오에서 조사자는 누락된 값을 채워야 합니다. 채우기 과정에는 단순 채우기와 알고리즘 채우기라는 두 가지 범주가 있습니다. 단순 채우기에는 0 채우기, 평균 채우기, 중앙 채우기, 모드 채우기가 포함됩니다. KNN(K Nearest Neighbors) 채우기, 임의 포레스트 채우기 등과 같은 알고리즘 채우기 방법.

통계 통계 제품 및 서비스 솔루션(SPSS, 버전 26.0) 및 R 소프트웨어(버전 4.0.5) 통계 분석에 사용되었습니다. ROC(Receiver Operating Characteristic) 곡선 분석을 사용하여 최대 Youden 지수를 기준으로 DM 위험을 식별할 때 종양 기질 비율(TSR)의 최적 컷오프 값을 평가했습니다. 히트맵은 3년 이내에 DM이 있는 환자와 없는 환자 간의 변수 분포를 보여주었습니다. 독립적인 DMFS 위험 요인은 훈련 코호트의 데이터를 기반으로 순차적으로 Kaplan-Meier(K-M) 곡선과 Cox 회귀 분석을 사용하여 결정되었습니다. 통계적 유의성은 P<0.05로 설정되었습니다. 관찰자 간 변동성은 범주형 및 순위 변수에 대해 κ 통계를 사용하고 연속 변수에 대해 ICC를 사용하여 평가되었습니다.

TSR 평가 대장내시경 검사로 얻은 생검 표본을 5μm 조각으로 나누고 H&E로 염색했습니다. 자동 채점 방법을 사용하여 종양 간질 비율(TSR)을 평가하기 위해 네 면 모두에 간질 세포와 종양 세포가 모두 있는 영역을 선택했습니다. 본 연구에서는 측정된 모든 영역에서 가장 높은 비율의 간질 성분이 최종 TSR 값으로 기록되었습니다.

자기공명 분석 영상 획득 및 재구성, 영상 분할, 특징 추출 및 검증, 분석, 모델 구축 등을 포함하는 MR 영상을 분석하기 위해 기계 학습 방법을 사용했습니다.

치료 전 자기공명(MR) 검사는 8채널 위상 배열 랩 어라운드 표면 코일이 있는 3.0T 스캐너를 사용하여 수행되었습니다. 금기가 없는 한 배변을 최소화하기 위해 염산라세아니소다민 10mg을 근육주사했습니다. 획득된 시퀀스에는 지방 포화가 있거나 없는 T1 강조 영상(T1WI), T2 강조 영상(T2WI), 확산 강조 영상(DWI)이 포함되었습니다.

종양 관심 영역(ROI)은 첫 번째 방사선 전문의가 고해상도 경사 축상 T2WI(직장 내강에 직교)에서 슬라이스별로 수동으로 묘사한 후 Insight Segmentation and Registration Toolkit에 대해 더 많은 경험을 가진 두 번째 방사선 전문의에 의해 확인되었습니다. -ITK-SNAP(Standford Network Analysis Project), 3차원 전체 종양 관심 볼륨(VOI)을 얻었습니다. 의견 차이는 토론을 통해 해결되었습니다. 방사선 전문의는 임상병리학적 정보를 보지 못했습니다. 전체적으로 각 VOI에서 1229개의 특징이 추출되었으며 이는 다음 네 가지 범주로 분류될 수 있습니다. (1) 모양 특성; (2) 1차 통계적 특성; (3) 텍스처 특징; (4) 고차 통계적 특성.

추출된 특징의 클래스 간 및 클래스 내 상관 계수(ICC)를 계산하여 특징의 재현성을 평가했습니다. ICC가 0.75 미만인 기능은 불안정한 것으로 간주되어 제거되었습니다. Pearson의 상관 분석을 사용하여 중복 기능을 식별했으며 계수가 0.9인 두 기능에 대해 평균 절대 계수가 더 큰 기능을 제거했습니다. 최소 절대 수축 및 선택 연산자 알고리즘(LASSO)을 적용하여 훈련 코호트에서 가장 중요한 예측 매개변수를 선택했으며, 5겹 교차 검증을 사용하여 차원 축소를 수행했습니다. 서명(예: Radscore)는 각 계수에 의해 가중치가 부여된 최종 선택된 특성의 선형 조합을 사용하여 계산되었습니다.

모델 구축 및 검증 Cox 회귀분석 결과에 따라 TSR을 제외한 모든 독립적인 위험인자를 통합한 노모그램(Mr), Radscore를 제외한 모든 독립적인 위험인자를 통합한 TSR 노모그램(Mt), 모든 위험인자를 통합한 결합모델(Mrt) 3년 DM 위험을 예측하기 위해 독립적인 위험 요인을 구성했습니다. 이들 모델의 판별 능력은 ROC 곡선을 사용하여 평가 및 비교되었습니다. 세 모델의 교정 능력을 탐색하기 위해 교정 플롯이 그려졌습니다. 각 임계 확률에서 각 결정 전략의 순 이익을 계산하여 임상적 이점을 탐색하기 위해 결정 곡선 분석을 수행했습니다.