En ny avbildningsbaserad kvantitativ modellstödd detektion av portalhypertoni hos patienter med cirros (CHESS2104)

Kina lider av den tyngsta bördan av leversjukdomar i världen. Antalet kroniska leversjukdomar är mer än 400 miljoner. Antingen virusrelaterad hepatit, alkoholisk hepatit eller metabolisk-relaterad fetthepatit etc. kan utvecklas till cirros, vilket i hög grad hotar folkhälsan. Portal hypertoni är en kritisk riskfaktor som korrelerar med klinisk prognos för patienter med cirros. Enligt konsensus om klinisk tillämpning av levervenös tryckgradient i Kina (2018) förutsäger levervenös tryckgradient (HVPG) större än 10,12,16,20 mmHg på motsvarande sätt olika utfall för patienter med cirrhos portal hypertoni. Det är av stor betydelse att etablera ett riskstratifieringssystem och utföra skräddarsydd hantering av portalhypertoni vid cirros. Som en universell guldstandard för diagnostisering och övervakning av portalhypertoni är HVPG fortfarande en begränsning för klinisk tillämpning på grund av dess invasivitet. Hur man konstruerar en ny, icke-invasiv, exakt och bekväm metod för att uppnå förutsägelse av HVPG är ett viktigt allmänt problem vid hanteringen av portalhypertoni vid cirros.

Utvecklingen av radiomikteknik ger ett tillvägagångssätt för att lösa ovannämnda kliniska problem. Baserat på artificiell intelligensalgoritmer utnyttjar radiomik brytbara, högupplösta och kvantitativa egenskaper från krypterade medicinska bilder, tillsammans med kliniska eller genetiska data för att producera evidensbaserat beslutsstödssystem, för att uppnå de kliniska målen inklusive diagnos, utvärdering av behandlingseffekter och prognos förutsägelse. I detta projekt, som syftar till att utveckla ett riskstratifieringssystem för hypertonihantering vid cirros, kommer vi att konstruera en standardiserad databas och använda radiomikverktyg för att konstruera beslutsfattande systemet. Vi kommer att ta ansvar för uppnåendet av organ- och kärlsegmentering, val av radiomiska egenskaper och signaturkonstruktion för förutsägelse av klassificering av hypertoni, och genomföra utvecklingen av ett prototypsystem som skulle integrera fyra moduler inklusive databashantering, HVPG-riskstratifieringsapplikationsmodul, presentation av förutspått resultat modul och prognostisk informationskurationsmodul. Detta projekt kommer att fokusera på två aspekter som är motsvarande maskininlärningsalgoritmer optimering och prototypsystemutveckling, för att främja precisionsmedicin vid leversjukdom.