小罗碎碎念

今天和大家分享一个国自然地区科学项目，执行年限为2020.01～2023.12，直接费用为34万元。

胃癌在我国发病形势严峻，现有TNM分期预后评估存在局限，难以满足精准医疗需求。本项目运用“医工结合，学科交叉”的创新模式，融合多组学及临床信息构建预测模型，致力于攻克进展期胃癌术后生存预测难题。

项目执行期间，研究人员严格依计划推进工作，从多维度展开深入探索。成功搭建起一系列精准模型，涵盖胃癌肿瘤区域自动分割、术前分级、病理图像识别分类以及术后生存风险预测等关键领域。这些模型在提升预测准确性、辅助医生决策方面成效显著，同时也为后续深入研究奠定了坚实基础。

经过团队不懈努力，项目成果丰硕。不仅发表了5篇SCI论著和1篇SCI个案报道，还申请了1项发明专利，在人才培养方面也成绩斐然，培养了1名博士和1名硕士，另有2名博士在读。这些成果为胃癌诊疗技术的进步提供了新方向，有望推动胃癌个性化精准治疗迈向新高度，在医学领域具有重要的应用价值和广阔的发展前景。

---

知识星球

如需获取推文中提及的各种资料，欢迎加入我的知识星球！

---

一、项目简介

胃癌是我国第二大恶性肿瘤，大部分患者就诊时已达进展期。

基于TNM分期的综合性治疗已成为进展期胃癌的标准治疗方式。然而，个体差异和肿瘤异质性使得分期相同的患者治疗反应及预后不尽相同，因此实现术后预后的准确评估对指导个性化精准治疗具有重要意义。

前期研究表明CT影像组学可有效预测胃癌患者术后总生存期，预实验显示采用人工智能可实现肿瘤病理组织的自动分割，为病理组学分析奠定了良好基础。由此提出假说，融合影像组学、病理组学及临床信息综合建模可为胃癌术后生存期预测提供全新的线索。

为验证这一假说，本项目基于进展期胃癌术前CT影像及术后数字病理切片，运用新兴影像组学及病理组学分析方法筛选特征、构建标签，同时融合影像组学、病理组学及临床信息综合建模，最后利用癌症基因组图谱及前瞻性数据验证、优化模型，以期从多尺度的层面解析肿瘤的生物学特性，实现进展期胃癌术后预后的准确预测，继而指导个性化精准治疗。

---

二、胃腺癌患者术前分级影像组学模型的构建流程

1. 肿瘤分割：对患者的CT影像进行处理，将肿瘤区域从图像中分割出来，图片中展示了原始CT影像以及标注出肿瘤区域（红色部分）的影像。
2. 特征提取：从分割出的肿瘤区域提取相关特征，包括形态、纹理等特征。图中展示了用不同方式表示的特征，如红色区域的三维展示、数字矩阵以及类似概率分布的图形。
3. 特征筛选：通过一定的方法对提取出的众多特征进行筛选，保留与术前分级相关的重要特征。图中展示了特征筛选的图表，如柱状图、小提琴图等，用于直观呈现特征的筛选过程和结果。
4. 结果分析：对筛选后的特征进行分析，评估模型的性能和准确性等。图中展示了类似ROC曲线等分析结果的图表，用于判断模型区分不同分级的能力。
5. 临床应用：将构建好的模型应用于临床，辅助医生对胃腺癌患者进行术前分级判断。图中展示了相关的临床应用图表，如生存曲线等，帮助医生了解患者的预后情况。

---

三、结合影像组学和病理组学构建模型的流程

主要分为数据采集、模型构建、评估与验证三个阶段。

1. 数据采集：获取CT影像和病理图像两种数据。CT影像用于后续的影像组学分析，病理图像则用于病理组学分析。
2. 模型构建：
   • 影像组学模型构建：先对CT影像进行ROI（感兴趣区域）分割，接着提取形状、一阶、纹理等特征，然后筛选特征，最后构建影像组学模型。
   • 病理组学模型构建：对病理图像进行处理并提取特征，再筛选特征，进而构建病理组学模型。
3. 评估与验证：运用融合列线图、ROC曲线、决策曲线等方式对构建的模型进行评估和验证，以判断模型的性能和准确性。

---

结束语

本期推文的内容就到这里啦，如果需要获取医学AI领域的最新发展动态，请关注小罗的推送！如需进一步深入研究，获取相关资料，欢迎加入我的知识星球！