基于多模态影像组学的乳腺肿瘤多指标协同诊疗模型研究

Breast cancer is one of the most common malignant tumors in women. Early diagnosis and precise treatment of breast cancer is of vital clinical importance. The present radiomic analysis-based breast cancer diagnosis and treatment mainly focus on the use of single-modality image data to quantitatively analyze the tumor phenotype with a single scale and associate the image phenotype with a single clinical index. To solve this problem, this grant application proposes to establish a multimodal-radiomic analysis framework according to the practical clinical utility of using multimodalities and the multiple clinical indexes for diagnosis and treatment of breast cancer. Radiomic analysis will be performed for evaluation of the tumor phenotype using multimodal magnetic resonance imaging (MRI). The multi-scale measurement methods will be established, which extends the traditional image analysis by incorporating the areas of intra-tumor, the whole tumor, the fibroglandular tissue that surrounds the tumor, and the contralateral normal-appearing breast tissue. We also propose to systematically identify the correlation and complementarity between different imaging modalities, as well as between different scales of image phenotype, to reveal the deep information of breast cancer image. Based on these analyses, the predictive model for joint prediction of multiple clinical indexes will be established. This project will be of important clinical value for improving the level of tumor diagnosis and treatment and make fundamental contributions to revealing biological mechanism of breast cancer.

乳腺癌是女性最常见的恶性肿瘤，它的早期诊断和精准治疗具有重要的临床意义。针对目前的基于影像组学分析的乳腺癌诊疗研究存在所利用影像数据单一、肿瘤表型分析尺度单一、以及所建立的临床诊疗预测指标单一等问题，结合乳腺肿瘤临床影像检查的实际，以及诊疗中多指标体系的需求，本申请拟开展乳腺肿瘤的多模态影像组学研究。根据不同影像模态特点进行肿瘤表型分析，研究影像多尺度分析方法，将传统的基于肿瘤瘤体特征分析方法拓展到肿瘤内区域、纤维腺体区域、对侧的“健康”组织等多个区域，并系统地分析不同影像模态、不同尺度的肿瘤表征的相关性和互补性，揭示乳腺癌表型的深层次机理，进而构建多临床指标的协同预测模型。本项目研究不但对提升乳腺肿瘤诊疗水平有积极的临床价值，同时对揭示乳腺肿瘤生物学机制也具有较好的科学意义。

乳腺癌是具有分子异质性的疾病，表现为肿瘤在诊断和治疗过程中的高度复杂性和不确定性。现行乳腺癌治疗中通常采用一刀切的做法，导致部分病人难以从治疗中得到改善，甚至会加重病情。因此，如何利用各种技术手段对肿瘤进行精细化描述，从而更好地开展个性化的治疗，是现阶段亟待解决的问题。医学影像学具有非侵入性、立体成像等特点，可以很好地反映肿瘤整体信息，影像组学通过把医学影像数据转换为高维的特征空间，为肿瘤的表型提供无创的影像学解析方法。通过分析影像学特征与分子表达特征之间的关联关系，挖掘出与肿瘤预后等信息相关的影像学标记，进一步应用到乳腺肿瘤的诊疗。由于肿瘤复杂的生理特性和分子异质性，如何全面准确地刻画肿瘤，是实现影像组学在乳腺癌诊疗中有效应用的关键。本项目主要研究乳腺肿瘤的多模态影像处理与分析，建立乳腺肿瘤的多尺度影像解析方法，在此基础上进行乳腺肿瘤的多临床指标协同预测。主要研究结果为：首先通过多参数影像之间的转换，将低分辨的弥散加权影像转换为高分辨的影像；利用不同参数信息的互补特点，将不同参数影像信息进行融合。其次，我们对肿瘤内、肿瘤周围等不同区域进行影像的分解方法研究，建立影像学特征和基因表达标签之间的关联关系，获得更精准的乳腺癌影像学表征方式。再次，我们通过机器学习和深度学习方法，建立多临床指标协同预测模型、建立乳腺癌复发评分的无创影像学标签。在本项目的支持下，通过上述相关研究工作的开展，共发表学术论文34篇，其中SCI论文21篇（Nature子刊1篇）、EI会议论文6篇、国内一级期刊论文7篇。申请人面向临床需求，积极进行项目成果的转化和临床应用研究，把理论模型、技术方法应用到临床诊疗中，包括肿瘤早期检测、分子分型、治疗疗效、生存时间，共申请专利12项，获软件著作权2项。培养研究生9名，其中1名获国家奖学金、2名获校优秀毕业生。本项目的研究成果揭示乳腺癌表型的多尺度异质性机理，具有较好的临床应用价值和较好的科学意义。