Fenotyping av leverkreftregisteret (PHELICAR)

Studiet vil gå gjennom to adskilte faser.

• Fase 1 har to hovedstadier: Den første fasen vil identifisere unike tumorfenotyper basert på iBiopsy-fenotypingsplattformen som trekker ut bildebaserte signaturer tilsvarende hver enkelt fenotype og vil vurdere den analytiske/tekniske ytelsen til iBiopsy-plattformen. Huller i karakterisering av den analytiske avlesningen under varierende betingelser for bildeopptak og gjentatt variasjon under identiske analytiske forhold vil bli fylt av den foreslåtte designen. Når et sett med egnede tumorfenotyper er identifisert, vil de gå videre til karakteriseringsfasen. Dette vil bli gjort ved å evaluere et innledende representativt spesifikt datasett (f.eks. hundrevis av pasienter) for opplæring (for å oppdage) og validering (for å teste robusthet). Den andre fasen vil fullføre en foreløpig biologisk/klinisk validering av de ovennevnte fenotypene for diagnose og sykdomssubtyping. Dette inkluderer undersøkelse av et stort datasett (f.eks. tusenvis av pasienter) CDR for trening og validering, ved bruk av histopatologiske data som referansestandard og optimalisering av bildesignaturene ved bruk av AI-baserte læringsmetoder.
• Fase 2 har også to trinn. Den første fasen av fase 2 er å strengt validere kandidatfenotypene som dukker opp fra fase 1 for diagnostisering av personer med HCC. Den andre fasen av fase 2 er å validere disse utvalgte kandidatfenotypene for prediksjon av utfall. Disse strenge valideringene inkluderer bruk av store CDR av pasienter med HCC (sen stadium biologisk/klinisk validering).

Tradisjonelle medisinske bildehentingssystemer som Picture Archival Systems (PACS) bruker strukturerte data (metadata) eller ustrukturerte tekstanmerkninger (legerapporter) for å hente bildene. Innholdet i bildene kan imidlertid ikke beskrives fullstendig med ord, og forståelsen av bilder er forskjellig fra person til person, derfor kan ikke tekstbasert bildehentingssystem oppfylle kravene til massiv bildehenting. Som svar på disse begrensningene er det utviklet CBIR-systemer som bruker visuelle funksjoner hentet fra bildene i stedet for nøkkelord. Et viktig og nyttig resultat av disse CBIR er muligheten til å bygge bro over det semantiske gapet, slik at brukere kan søke i et bildelager for bildefunksjoner på høyt nivå som tillater matching av bildebaserte fenotypesignaturer hentet direkte fra søkets medisinske bilde med fenotypesignaturer indeksert i et register.

Median Technologies CBIR-systemet bruker patenterte algoritmer og prosesser for å dekode bildene ved automatisk å trekke ut hundrevis av bildefunksjoner samt svært kompakte signaturer fra titusenvis av 3D-bildelapper beregnet over hele bildet uten behov for noen forutgående segmentering. I tillegg til detaljerte fenotypiske profiler som kan korreleres med histopatologi og genomiske og plasmatiske profiler, genererer systemet en unik signatur for hver flis som gir et fingeravtrykk av den "bildebaserte fenotypen" til det tilsvarende vevet. Ved å bruke massivt parallelle databehandlingsmetoder, blir avbildningsbiomarkører og fenotypesignaturer trukket ut fra et målbilde, organisert i klynger av lignende signaturer og indeksert for sanntidssøk og gjenfinning i skjemaløse (NoSQL) databaser.