Klinisk studie av bildegenomikk basert på maskinlæring for BCIG

Forskningsdesign

1. Forskning på molekylær typing av brystkreft basert på bildefunksjoner
2. Etabler en risikoprediksjonsmodell for Luminal brystkreft residivrisiko
3. Etabler HER2 målrettet terapisensitivitetsprediksjonsmodell
4. Etablere TNBC molekylær subtype prediksjonsmodell Forskningsmetoder Forskningsobjekt Denne studien brukte en multisenterstudie for prospektivt å registrere brystkreftpasienter diagnostisert med patologi. Alle registrerte pasienter hadde fullstendige kliniske data, inkludert demografiske karakteristika (kjønn, alder, menstruasjonsstatus og fertilitetshistorie) og patologiske data (histopatologiske data). Stadieinndeling, immunhistokjemisk status og FISH, genetisk testing registrerer residivskår og genotype), bildedata, fullstendig behandling og oppfølging (om det er lokalt residiv og metastasering, og tidspunktet for diagnose).

Magnetisk resonansundersøkelse For å opprettholde sammenlignbarheten mellom bildene og redusere de systematiske feilene, velger hvert senter en fast MR-enhet for skanning. Blant dem, a. Onkologisk sykehus valgte å skanne bilder med 3.0T (Siemens Skyra) MR-utstyr. En spesiell brystspole brukes til å legge til høyoppløselig diffusjonsvektet skanning og multi-b verdi diffusjonsvektet skanning før den dynamiske forbedringsskanningen. Dynamisk forbedret innhenting i 5 faser med en tidsoppløsning på 65s. b. Renji Hospital bruker Nederland Philips Achieva 3.0 T superleder MR-skanner, 4-kanals dedikert brystfaset array-spole. Skannesekvenser inkluderer T1WI, T2WI, T2WI fettundertrykkelse, DWI og DCE-MRI. Kontrastmidlet var Gd-DTPA, med en dose på 0,1 mmol/kg, en injeksjonshastighet på 2,0 ml/s, og ytterligere 20 ml saltvann ble tilsatt røret etter injeksjon. T1WI-skanningen ble utført først, og 5 tidsfaser ble kontinuerlig skannet etter injeksjon av kontrastmiddel, og hver tidsfase ble separert med 61 s, i totalt 6 tidsfaser. c. Kinesiske kvinner og babyer skannes med 1,5T SIEMENS AERA MR-utstyr og spesielle brystspiraler. Skannesekvens inkluderer 5 faser av T1WI, T2WI fettundertrykkelse, DWI og dynamisk forbedringsskanning, tidsoppløsning 71s.

Bildebehandling Bruk programvare til å lage halvautomatiske og automatiske konturer av tumorinteresseområdet, og lage omrisset av tumorens solide forsterkningsdel, hele tumorområdet og den omkringliggende ødemsonen i tverrstilling. For å nøyaktig avgrense svulsten, sammenligne de T1- og T2-vektede og dynamisk forbedrede bildene, er to avbildningsleger ansvarlige, den ene er ansvarlig for avgrensningen og den andre gjennomgås, og det omstridte området bestemmes etter diskusjon av en tredje person. Lag et dynamisk forbedret tumorteksturanalyseprogram for automatisk å trekke ut bildebehandlingsfunksjoner i området av interesse. Ved å bruke et merket datasett konstrueres en datamaskinbasert automatisk segmenteringsalgoritmemodell basert på maskinlæring for automatisk å trekke ut områder av interesse, og evaluering av segmenteringsytelse utføres på manuelt avgrensede etiketter.

Statistisk analyse Utfør statistisk analyse på de innhentede bildene og kliniske data, trekk ut bildeomics-funksjoner og bruk maskinlæringsalgoritmer for å screene viktige funksjoner. Bruk statistiske verktøy som SPSS og R-språk. Paret t-test (kontinuerlig variabel) og kjikvadrattest (diskontinuerlig variabel) ble brukt for å sammenligne de kliniske og bildediagnostiske egenskapene til pasienter med ulik prognose; korrelasjonsanalyse ble brukt til å evaluere de avbildende histologikarakteristikkene og forskjellige patologiske vevsgrader, Korrelasjon mellom lymfeknutemetastase og spesifikt genuttrykk; bruke Kaplan-Meier overlevelseskurve for å analysere den prognostiske forskjellen mellom pasienter med ulike bildediagnostiske egenskaper, og bruke log-rank metode for å teste forskjellen; bruke cox overlevelsesmodell for å sammenligne kliniske egenskaper og bildediagnostikk. Karakteristikkene og prognosen til pasienter (tumorfri overlevelse, progresjonsfri overlevelse, total overlevelse) ble analysert av flere faktorer. Videre kan dype læringsalgoritmer brukes til å automatisk lære bildebehandlingsfunksjoner som kan være relatert til molekylære undertyper og prognose for å bygge prediksjonsmodeller.