Estudo clínico de genômica de imagens baseado em aprendizado de máquina para BCIG

Projeto de pesquisa

1. Pesquisa sobre a tipagem molecular do câncer de mama com base em recursos de imagem
2. Estabelecer um modelo de previsão de risco de recorrência de câncer de mama Luminal
3. Estabelecer modelo de previsão de sensibilidade de terapia direcionada HER2
4. Estabelecer o modelo de predição do subtipo molecular TNBC Métodos de pesquisa Objeto de pesquisa Este estudo utilizou um estudo multicêntrico para inscrever prospectivamente pacientes com câncer de mama diagnosticados com patologia. Todos os pacientes inscritos tinham dados clínicos completos, incluindo características demográficas (sexo, idade, estado menstrual e histórico de fertilidade) e dados patológicos (dados histopatológicos). Estadiamento, estado imuno-histoquímico e FISH, teste genético registra o escore de recorrência e genótipo), dados de imagem, tratamento completo e acompanhamento (se há recorrência local e metástase e o tempo de diagnóstico).

Exame de ressonância magnética Para manter a comparabilidade entre as imagens e reduzir os erros sistemáticos, cada centro seleciona um aparelho de RM fixo para varredura. Entre eles, A. O Hospital de Oncologia optou por escanear as imagens com equipamentos de RM 3.0T (Siemens Skyra). Uma bobina de mama especial é usada para adicionar varredura ponderada por difusão de alta definição e varredura ponderada por difusão de valor multi-b antes da varredura de aprimoramento dinâmico. Aquisição melhorada dinamicamente em 5 fases com uma resolução de tempo de 65s. b. O Hospital Renji usa o scanner de RM supercondutor Philips Achieva 3.0 T da Holanda, bobina phased array dedicada de 4 canais para mama. As sequências de varredura incluem T1WI, T2WI, supressão de gordura T2WI, DWI e DCE-MRI. O agente de contraste foi Gd-DTPA, com dose de 0,1 mmol/kg, velocidade de injeção de 2,0 mL/s, e 20 mL adicionais de solução salina foram adicionados ao tubo após a injeção. A varredura T1WI foi realizada primeiro e 5 fases de tempo foram continuamente digitalizadas após a injeção do agente de contraste, e cada fase de tempo foi separada por 61 s, para um total de 6 fases de tempo. c. Mulheres e bebês chineses são escaneados com equipamentos de ressonância magnética SIEMENS AERA 1.5T e bobinas especiais de mama. A sequência de varredura inclui 5 fases de T1WI, supressão de gordura T2WI, DWI e varredura de aprimoramento dinâmico, resolução de tempo 71s.

Processamento de imagem Use o software para fazer contornos semiautomáticos e automáticos da área de interesse do tumor e faça o contorno da parte de realce sólida do tumor, toda a área do tumor e a zona de edema circundante na posição transversal. Para delinear com precisão o tumor, comparar as imagens ponderadas em T1 e T2 e aprimoradas dinamicamente, dois médicos de imagem são responsáveis, um é responsável pelo delineamento e o outro é revisado, e a área em disputa é determinada após discussão por uma terceira pessoa. Crie um programa dinâmico de análise de textura tumoral aprimorada para extrair automaticamente recursos ômicos de imagem na região de interesse. Usando um conjunto de dados rotulados, um modelo de algoritmo de segmentação automática baseado em computador baseado em aprendizado de máquina é construído para extrair automaticamente as regiões de interesse, e a avaliação do desempenho da segmentação é realizada em rótulos delineados manualmente.

Análise estatística Realize análises estatísticas nas imagens obtidas e dados clínicos, extraia recursos ômicos de imagem e use algoritmos de aprendizado de máquina para rastrear recursos importantes. Use ferramentas estatísticas como SPSS e linguagem R. Teste t pareado (variável contínua) e teste qui-quadrado (variável descontínua) foram usados ​​para comparar as características clínicas e de imagem de pacientes com diferentes prognósticos; a análise de correlação foi usada para avaliar as características da histologia de imagem e diferentes graus patológicos do tecido, Correlação entre metástases linfonodais e expressão gênica específica; usar a curva de sobrevida de Kaplan-Meier para analisar a diferença prognóstica entre pacientes com diferentes características ômicas de imagem e usar o método de log-rank para testar a diferença; usar modelo de sobrevida de Cox para comparar características clínicas e ômicas de imagem As características e o prognóstico dos pacientes (sobrevida livre de tumor, sobrevida livre de progressão, sobrevida global) foram analisados ​​por múltiplos fatores. Além disso, os algoritmos de aprendizado profundo podem ser usados ​​para aprender automaticamente recursos ômicos de imagem que podem estar relacionados a subtipos moleculares e prognósticos para construir modelos de previsão.