表型肝癌登记处 (PHELICAR)

该研究将通过两个不同的阶段推进。

• 第一阶段有两个主要阶段：第一阶段将根据 iBiopsy 表型分析平台识别独特的肿瘤表型，该平台提取与每个个体表型相对应的基于图像的特征，并将评估 iBiopsy 平台的分析/技术性能。 拟议的设计将填补图像采集的不同条件下分析读出的特征和相同分析条件下的重复变异性方面的差距。 一旦确定了一组合适的肿瘤表型，它们将进入表征阶段。 这将通过评估初始代表性特定数据集（例如 数百名患者）进行训练（发现）和验证（测试稳健性）。 第二阶段将完成上述表型的初步生物学/临床验证，用于诊断和疾病分型。 这包括调查大型数据集（例如 数千名患者）CDR 用于训练和验证，使用组织病理学数据作为参考标准，并使用基于 AI 的学习方法优化成像特征。
• 第二阶段也有两个阶段。 第 2 阶段的第一阶段是严格验证从第 1 阶段出现的用于诊断 HCC 受试者的候选表型。 第 2 阶段的第二阶段是验证这些选定的候选表型以预测结果。 这些严格的验证包括使用 HCC 患者的大 CDR（后期生物学/临床验证）。

传统的医学图像检索系统，例如图片存档系统 (PACS)，使用结构化数据（元数据）或非结构化文本注释（医师报告）来检索图像。 但是图像的内容不能完全用文字来描述，而且每个人对图像的理解也不尽相同，因此基于文本的图像检索系统无法满足海量图像检索的需求。 为了应对这些限制，开发了使用从图像中提取的视觉特征代替关键字的 CBIR 系统。 这些 CBIR 的一个重要且有用的结果是有可能弥合语义鸿沟，允许用户搜索图像存储库以获取高级图像特征，从而允许将直接从查询医学图像中提取的基于图像的表型特征与索引的表型特征相匹配在注册表中。

Median Technologies CBIR 系统使用获得专利的算法和流程来解码图像，方法是从整个图像中计算出的数万个 3D 图像块中自动提取数百个成像特征以及高度紧凑的签名，而无需任何事先分割。 除了可以与组织病理学、基因组和血浆谱相关联的详细表型谱外，该系统还为每个图块生成一个独特的签名，提供相应组织“基于图像的表型”的指纹。 使用大规模并行计算方法，从目标图像中提取成像生物标志物和表型特征，然后将其组织成相似特征的簇，并为实时搜索和无模式 (NoSQL) 数据库中的检索建立索引。