Клиническое исследование геномики изображений на основе машинного обучения для BCIG

Дизайн исследования

1. Исследования по молекулярному типированию рака молочной железы на основе особенностей визуализации
2. Создание модели прогнозирования риска рецидива рака молочной железы Luminal
3. Создание модели прогнозирования чувствительности к таргетной терапии HER2
4. Создание модели предсказания молекулярного подтипа ТНРМЖ Методы исследования Объект исследования В этом исследовании использовалось многоцентровое исследование для проспективного включения пациентов с раком молочной железы, у которых диагностирована патология. Все зарегистрированные пациенты имели полные клинические данные, включая демографические характеристики (пол, возраст, менструальный статус и фертильность в анамнезе) и патологические данные (гистопатологические данные). Стадирование, иммуногистохимический статус и FISH, генетическое тестирование регистрируют показатель рецидива и генотип), данные визуализации, полное лечение и последующее наблюдение (наличие местного рецидива и метастазирования, а также время постановки диагноза).

Магнитно-резонансное исследование Для обеспечения сопоставимости изображений и уменьшения систематических ошибок каждый центр выбирает стационарный МР-аппарат для сканирования. Среди них а. Онкологическая больница решила сканировать изображения с помощью МРТ-оборудования 3.0T (Siemens Skyra). Специальная катушка молочной железы используется для добавления диффузионно-взвешенного сканирования высокой четкости и диффузионно-взвешенного сканирования с несколькими значениями b перед сканированием с динамическим усилением. Динамически расширенный сбор данных в 5 этапов с временным разрешением 65 с. б. В больнице Ренджи используется сверхпроводниковый МРТ-сканер Philips Achieva 3,0 Тл, Нидерланды, 4-канальная катушка с фазированной решеткой для груди. Последовательности сканирования включают T1WI, T2WI, подавление жира T2WI, DWI и DCE-MRI. Контрастным веществом был Gd-DTPA в дозе 0,1 ммоль/кг, скорость введения 2,0 мл/с, после инъекции в пробирку добавляли дополнительно 20 мл физиологического раствора. Сначала было выполнено сканирование T1WI, и после инъекции контрастного вещества непрерывно сканировались 5 временных фаз, и каждая временная фаза была разделена на 61 секунду, всего 6 временных фаз. в. Китайских женщин и младенцев сканируют с помощью оборудования SIEMENS AERA MR мощностью 1,5 Тл и специальных катушек для груди. Последовательность сканирования включает 5 фаз T1WI, подавление жира T2WI, DWI и сканирование с динамическим усилением, временное разрешение 71 с.

Обработка изображения Используйте программное обеспечение для создания полуавтоматических и автоматических контуров интересующей области опухоли, а также контура твердой контрастной части опухоли, всей области опухоли и окружающей зоны отека в поперечном положении. Чтобы точно очертить опухоль, сравнить взвешенные и динамически усиленные изображения Т1 и Т2, два врача-визуалиста несут ответственность, один отвечает за оконтуривание, а другой просматривается, а спорная область определяется после обсуждения третьим лицом. Создайте динамическую расширенную программу анализа текстуры опухоли, чтобы автоматически извлекать особенности изображения omics в интересующей области. Используя размеченный набор данных, создается компьютерная модель алгоритма автоматической сегментации, основанная на машинном обучении, для автоматического выделения областей интереса, а оценка производительности сегментации выполняется на метках, очерченных вручную.

Статистический анализ Выполняйте статистический анализ полученных изображений и клинических данных, извлекайте признаки омикса изображения и используйте алгоритмы машинного обучения для скрининга важных признаков. Используйте статистические инструменты, такие как SPSS и язык R. Парный t-критерий (непрерывная переменная) и критерий хи-квадрат (прерывистая переменная) использовались для сравнения клинических и визуализационных характеристик пациентов с различным прогнозом; корреляционный анализ был использован для оценки характеристик гистологии изображений и различных патологических тканей, корреляции между метастазами в лимфатических узлах и экспрессией специфических генов; использовать кривую выживаемости Каплана-Мейера для анализа прогностической разницы между пациентами с различными омическими характеристиками визуализации и использовать метод логарифмического ранга для проверки разницы; использовать модель выживаемости Кокса для сравнения клинических характеристик и методов визуализации. Характеристики и прогноз пациентов (безопухолевая выживаемость, выживаемость без прогрессирования, общая выживаемость) были проанализированы по множеству факторов. Кроме того, алгоритмы глубокого обучения можно использовать для автоматического изучения особенностей омики изображений, которые могут быть связаны с молекулярными подтипами и прогнозом, для построения моделей прогнозирования.