Klinische studie van beeldvormende genomica op basis van machinaal leren voor BCIG

Onderzoeksopzet

1. Onderzoek naar de moleculaire typering van borstkanker op basis van beeldvormingskenmerken
2. Stel een Luminal-model voor het voorspellen van het risico op herhaling van borstkanker op
3. Stel een HER2-voorspellingsmodel voor gevoeligheid voor therapiegevoeligheid op
4. Stel TNBC-voorspellingsmodel voor moleculair subtype op Onderzoeksmethoden Onderzoeksobject Dit onderzoek maakte gebruik van een onderzoek in meerdere centra om prospectief borstkankerpatiënten met de diagnose pathologie in te schrijven. Alle ingeschreven patiënten hadden volledige klinische gegevens, waaronder demografische kenmerken (geslacht, leeftijd, menstruele status en vruchtbaarheidsgeschiedenis) en pathologische gegevens (histopathologische gegevens). Stadiëring, immunohistochemische status en FISH, genetische tests registreren de recidiefscore en het genotype), beeldvormingsgegevens, volledige behandeling en follow-up (of er lokaal recidief en metastase is, en het tijdstip van diagnose).

Magnetisch resonantieonderzoek Om de vergelijkbaarheid tussen de beelden te behouden en de systematische fouten te verminderen, kiest elk centrum een ​​vast MR-toestel om te scannen. Onder hen, een. Het Oncologisch Ziekenhuis koos ervoor om beelden te scannen met 3.0T (Siemens Skyra) MR-apparatuur. Er wordt een speciale borstspoel gebruikt om high-definition diffusiegewogen scanning en multi-b-waarde diffusiegewogen scanning toe te voegen vóór de dynamische verbeteringsscan. Dynamisch verbeterde acquisitie in 5 fasen met een tijdsresolutie van 65s. B. Het Renji-ziekenhuis maakt gebruik van de Nederlandse Philips Achieva 3.0 T supergeleidende MR-scanner, 4-kanaals speciale Phased Array-spoel voor borsten. Scansequenties omvatten T1WI, T2WI, T2WI vetonderdrukking, DWI en DCE-MRI. Het contrastmiddel was Gd-DTPA, met een dosis van 0,1 mmol/kg, een injectiesnelheid van 2,0 ml/s, en na injectie werd nog eens 20 ml zoutoplossing aan de buis toegevoegd. De T1WI-scan werd eerst uitgevoerd en 5 tijdfasen werden continu gescand na de injectie van contrastmiddel, en elke tijdfase werd gescheiden door 61 s, voor een totaal van 6 tijdfasen. C. Chinese vrouwen en baby's worden gescand met 1,5T SIEMENS AERA MR-apparatuur en speciale borstspoelen. Scanvolgorde omvat 5 fasen van T1WI, T2WI vetonderdrukking, DWI en dynamische verbeteringsscan, tijdresolutie 71s.

Beeldverwerking Gebruik software om semi-automatische en automatische contouren van het tumorinteressegebied te maken, en maak de contouren van het tumor-solide versterkingsdeel, het gehele tumorgebied en de omliggende oedeemzone in de dwarse positie. Om de tumor nauwkeurig af te bakenen, de T1- en T2-gewogen en dynamisch verbeterde beelden te vergelijken, zijn twee beeldvormende artsen verantwoordelijk, de ene is verantwoordelijk voor de afbakening en de andere wordt beoordeeld, en het betwiste gebied wordt bepaald na bespreking door een derde persoon. Maak een dynamisch verbeterd tumortextuuranalyseprogramma om automatisch beeldvormende omics-functies in het interessegebied te extraheren. Met behulp van een gelabelde dataset wordt een computergebaseerd automatisch segmentatie-algoritmemodel op basis van machine learning geconstrueerd om automatisch interessegebieden te extraheren, en evaluatie van de segmentatieprestaties wordt uitgevoerd op handmatig afgebakende labels.

Statistische analyse Voer statistische analyses uit op de verkregen beelden en klinische gegevens, extraheer beeldomics-functies en gebruik machine learning-algoritmen om belangrijke functies te screenen. Gebruik statistische tools zoals SPSS en R-taal. Gepaarde t-test (continue variabele) en chi-kwadraattest (discontinue variabele) werden gebruikt om de klinische en beeldkenmerken van patiënten met verschillende prognoses te vergelijken; correlatieanalyse werd gebruikt om de beeldvormende histologische kenmerken en verschillende pathologische weefselkwaliteiten te evalueren. Correlatie tussen lymfekliermetastase en specifieke genexpressie; gebruik de Kaplan-Meier-overlevingscurve om het prognostische verschil tussen patiënten met verschillende beeldvormende omics-kenmerken te analyseren en gebruik de log-rank-methode om het verschil te testen; gebruik cox-overlevingsmodel om klinische kenmerken en beeldvormende omics te vergelijken De kenmerken en prognose van patiënten (tumorvrije overleving, progressievrije overleving, totale overleving) werden geanalyseerd door meerdere factoren. Verder kunnen deep learning-algoritmen worden gebruikt om automatisch beeldvormende omics-kenmerken te leren die mogelijk verband houden met moleculaire subtypen en prognoses om voorspellingsmodellen te bouwen.