En ny bildebehandlingsbasert kvantitativ modellstøttet påvisning av portalhypertensjon hos pasienter med skrumplever (CHESS2104)

Kina lider av den tyngste byrden av leversykdom i verden. Antallet kroniske leversykdommer er mer enn 400 millioner. Enten virusrelatert hepatitt, alkoholisk hepatitt eller metabolsk-relatert fetthepatitt osv. kan utvikle seg til skrumplever, som i stor grad truer folkehelsen. Portal hypertensjon er en kritisk risikofaktor som korrelerer med klinisk prognose for pasienter med cirrhose. I henhold til konsensus om klinisk anvendelse av hepatisk venøs trykkgradient i Kina (2018), predikerer hepatisk venøs trykkgradient (HVPG) større enn 10,12,16,20 mmHg tilsvarende forskjellige utfall hos pasienter med cirrhosis portal hypertensjon. Det er av stor betydning å etablere et risikostratifiseringssystem og utføre skreddersydd behandling for portalhypertensjon ved cirrhose. Som en universell gullstandard for diagnostisering og overvåking av portalhypertensjon, er HVPG fortsatt begrensning for klinisk anvendelse på grunn av dens invasivitet. Hvordan konstruere en ny, ikke-invasiv, nøyaktig og praktisk metode for å oppnå prediksjon av HVPG er et viktig generelt problem i behandlingen av portalhypertensjon ved skrumplever.

Utviklingen av radiomiksteknikk gir en tilnærming for å løse ovennevnte kliniske problemer. Basert på algoritmer for kunstig intelligens, utnytter radiomikser utvinnbare, høyoppløselige og kvantitative funksjoner fra krypterte medisinske bilder, sammen med kliniske eller genetiske data for å produsere evidensbasert beslutningsstøttesystem, for å nå de kliniske målene, inkludert diagnose, evaluering av behandlingseffekt, og prognose prediksjon. I dette prosjektet, som tar sikte på utvikling av et risikostratifiseringssystem for hypertensjonsbehandling ved cirrhose, vil vi konstruere en standard-of-care database og bruke radiomiksverktøy for å konstruere beslutningssystemet. Vi vil ta ansvar for oppnåelse av organ- og karsegmentering, valg av radiomiske funksjoner og signaturkonstruksjon for prediksjon av hypertensjonsklassifisering, og gjennomføre utviklingen av et prototypesystem som vil integrere fire moduler inkludert databasestyring, HVPG risikostratifiseringsapplikasjonsmodul, presentasjon av predikert resultat modul og prognostisk informasjonskureringsmodul. Dette prosjektet vil fokusere på to aspekter som er tilsvarende maskinlæringsalgoritmer optimalisering og prototype systemutvikling, for å fremme presisjonsmedisin ved leversykdom.