Construindo um sistema de imagem multimodal para prever o risco de metástase heterócrona de câncer retal (MIS-MRC)

Processo de recolha de dados em estrita implementação de gestão especial, o nome completo do controle de qualidade. Pessoal especial é responsável pela coleta de imagens clínicas e informações patológicas dos pacientes no sistema de prontuários médicos, e os dados de identificação pessoal serão utilizados para identificar e processar, a fim de proteger a privacidade dos pacientes/participantes do teste. Ao mesmo tempo, existe uma pessoa especial responsável pelo controle de qualidade e verificação dos dados originais. Os participantes usam o número unificado do projeto como código de identificação exclusivo, dados pessoais e informações do caso pela entrada e salvamento do pessoal de gerenciamento de amostra, o usuário vê apenas o número individual, não mostra mais o nome dos participantes e outras informações pessoais. Foi construído um dicionário de dados que contém descrições detalhadas de cada variável utilizada pelo registro, incluindo a origem da variável, informações de codificação. As informações da amostra dos participantes são armazenadas eletronicamente em um computador dedicado que não é utilizado para outros fins e é fornecido com uma senha, que está disponível apenas para a pessoa (1 pessoa) que gerencia a amostra. Os prontuários dos participantes serão mantidos no hospital e estarão acessíveis apenas aos pesquisadores; Se necessário, os membros da organização licitante, do comitê de ética ou do departamento de gestão governamental poderão acessar os dados pessoais dos participantes de acordo com a autoridade correspondente. Os resultados do estudo serão publicados como dados analisados ​​estatisticamente e não conterão nenhuma informação identificável dos participantes.

O patrocinador é responsável por implementar e manter sistemas de garantia e controle de qualidade com Procedimentos Operacionais Padrão (SOPs) escritos para garantir que os ensaios sejam conduzidos e os dados sejam gerados, documentados (registrados) e relatados em conformidade com o protocolo, boas práticas clínicas ( GCP) e os requisitos regulatórios aplicáveis. Os POPs devem abranger a configuração, instalação e uso do sistema. Os POPs devem descrever a validação do sistema e testes de funcionalidade, coleta e tratamento de dados, manutenção do sistema, medidas de segurança do sistema, controle de alterações, backup de dados, recuperação, planejamento de contingência e descomissionamento. As responsabilidades do patrocinador, do investigador e de outras partes com relação ao uso desses sistemas informatizados devem ser claras e os usuários devem receber treinamento sobre o uso. A não conformidade com o protocolo, POPs, GCP e/ou requisitos regulatórios aplicáveis ​​por parte de um investigador/instituição ou de membro(s) da equipe do patrocinador deve levar a uma ação imediata por parte do patrocinador para garantir a conformidade.

De acordo com a morbidade do LARC e o risco de metástase à distância, o tamanho da amostra é de 300 e o intervalo de acompanhamento é de pelo menos 3 anos.

Planeje dados faltantes: Se a proporção de dados faltantes for muito grande, como superior a 95%, os investigadores podem remover diretamente este campo; Em 50~95%, os investigadores têm dois métodos de processamento, um é remover este campo diretamente; outra forma é transformar o campo em uma variável indicadora; essa é a variável 0-1. Se o campo estiver vazio, o campo será 0; Caso contrário, o campo será 1. Entre 5% e 50%: Neste cenário, os investigadores precisam preencher os valores faltantes. No processo de preenchimento, existem duas categorias: preenchimento simples e preenchimento de algoritmo. O preenchimento simples inclui: preenchimento 0, preenchimento médio, preenchimento mediano, preenchimento modal; Métodos de preenchimento de algoritmo, como preenchimento de K vizinhos mais próximos (KNN), preenchimento aleatório de floresta e assim por diante.

Soluções estatísticas de produtos e serviços estatísticos (SPSS, versão 26.0) e software R (versão 4.0.5) foram usados ​​para análises estatísticas. A análise da curva Receiver Operating Characteristic (ROC) foi utilizada para avaliar o valor de corte ideal da razão estromal tumoral (TSR) na discriminação do risco de DM com base no índice máximo de Youden. Os mapas de calor mostraram a distribuição das variáveis ​​entre pacientes com ou sem DM no período de 3 anos. Os fatores de risco independentes do DMFS foram determinados usando curvas de Kaplan-Meier (K-M) e análise de regressão de Cox sequencialmente com base nos dados da coorte de treinamento. A significância estatística foi estabelecida em P<0,05. A variabilidade interobservador foi avaliada usando estatísticas κ para variáveis ​​categóricas e classificadas, e ICC para variáveis ​​contínuas.

Avaliação do TSR As amostras de biópsia da colonoscopia foram seccionadas em fatias de 5 μm e coradas com H&E. Áreas com células estromais e tumorais apresentadas em todos os quatro lados foram selecionadas para avaliar a razão do estroma tumoral (TSR) usando um método de pontuação automatizado. A maior proporção de componentes estromais em todas as áreas medidas foi registrada como o valor final de TSR neste estudo.

Análise de ressonância magnética O método de aprendizado de máquina foi utilizado para analisar as imagens de RM, que inclui aquisição e reconstrução de imagens, segmentação de imagens, extração e qualificação de características, análise e construção de modelo.

Os exames de ressonância magnética (RM) pré-tratamento foram realizados usando scanners de 3,0 T com uma bobina de superfície envolvente de matriz faseada de 8 canais. Uma injeção intramuscular de 10 mg de cloridrato de raceanisodamina foi administrada para minimizar a evacuação, a menos que contra-indicado. As sequências adquiridas incluíram imagens ponderadas em T1 (T1WI), imagens ponderadas em T2 (T2WI) com e sem saturação de gordura e imagens ponderadas em difusão (DWI).

A região tumoral de interesse (ROI) foi delineada manualmente, fatia por fatia, em T2WI axial oblíquo de alta resolução (ortogonal ao lúmen retal) pelo primeiro radiologista e posteriormente confirmada pelo segundo radiologista com mais experiência em Insight Segmentation and Registration Toolkit -Standford Network Analysis Project (ITK-SNAP), a partir do qual foi obtido o volume total tridimensional do tumor de interesse (VOI). Desentendimentos foram resolvidos por meio de discussões. Os radiologistas desconheciam as informações clínico-patológicas. No geral, foram extraídas 1.229 características de cada VOI, que podem ser classificadas em quatro categorias: (1) características de forma; (2) características estatísticas de primeira ordem; (3) características de textura; e (4) características estatísticas de alto nível.

Os coeficientes de correlação inter e intraclasse (ICCs) das características extraídas foram calculados para avaliar a reprodutibilidade das características. Recursos com ICCs <0,75 foram considerados não estáveis ​​e foram eliminados. A análise de correlação de Pearson foi utilizada para identificar características redundantes, e para quaisquer duas características com coeficiente de 0,9, aquela com maior coeficiente absoluto médio foi eliminada. O algoritmo do operador de seleção e contração mínima absoluta (LASSO) foi aplicado para selecionar o parâmetro preditivo mais significativo da coorte de treinamento, e a validação cruzada de 5 vezes foi usada para realizar a redução de dimensionalidade. Uma assinatura (ou seja, Radscore) foi calculado usando uma combinação linear das características finais selecionadas ponderadas pelos respectivos coeficientes.

Modelo construído e validação De acordo com os resultados da regressão de Cox, um nomograma (Mr) integrando todos os fatores de risco independentes, exceto TSR, um nomograma TSR (Mt) integrando todos os fatores de risco independentes, exceto o Radscore, e um modelo combinado (Mrt) incorporando todos os fatores de risco independentes foram construídos para prever o risco de DM em 3 anos. A capacidade discriminativa desses modelos foi avaliada e comparada por meio de curvas ROC. Gráficos de calibração foram desenhados para explorar a capacidade de calibração dos três modelos. A análise da curva de decisão foi realizada para explorar os benefícios clínicos, calculando o benefício líquido de cada estratégia de decisão em cada probabilidade limite.