基于影像组学对肝脏泡型包虫病治疗的评价研究

Alveolar Echinococcosis (AE) is one of the parasitic disease, which is under strongly control by our government. With the characteristic of nonspecific clinical and infiltrative nature like tumor, AE has lower total resection rate and poor prognosis. Long-term and even lifelong of albendazole treatment became the main treatment for non-surgical therapy for HAE. But there isn't a suitable non-invasive and accurate diagnostic criterion to evaluate therapeutic effect for HAE by for. Current studies have been presented that PET-CT and serology EM2 antibody could be the standards for therapeutic evaluation in AE. However, high cost and test stability limit the widespread utilization of these options as a routine modality for HAE evaluation in the endemic areas of HAE in our country. Other possible biological markers which reflect metabolic activity of the metacestode are at the stage of laboratory research, none has been properly validated until now to be recommended for further use in clinical settings. This study plan to induce Radiomics into the diagnosis and treatment system in AE. Using its data searching technique to get mineable imaging features related to progress via high-throughput extraction of quantitative features, followed by subsequent data analysis. And then to construct and verify curative effect evaluation model for AE. So we can offer the reliable data for personalized medicine and early prognostication in AE, while reveal the characteristic and regularity of lesion. Accordingly, improving the preoperative diagnostic rate as well as achieving clinical precise medicine.

泡型包虫病属于国家重点控制的寄生虫疾病。其具有起病隐匿和类肿瘤样增殖浸润生长的特点，手术切除率低，预后不佳。除了手术切除，口服阿苯达唑药物治疗仍是主要的治疗方法，但目前尚缺乏可靠评价泡型包虫病疗效的技术手段。研究认为PET-CT结合血清学Em2抗体可作为临床上疗效评价的标准，但高昂的检查费用及检测指标的稳定性限制了其作为常规检查在我国广泛使用。可能反映包虫病灶活性的特异性生物学标记物目前又处于实验室研究阶段，并不能解决临床指导用药的问题。本研究将放射影像组学这一新方法引入到泡型包虫病的诊治体系中，利用其大数据挖掘技术从常规影像技术中学习、提取并分析与疾病发生发展相关的影像学特征数据，构建泡型包虫病治疗预后评价体系并加以验证，在揭示病变特点和规律的同时，为疾病的个体化治疗评估和预后判断上提供关键的信息和数据，实现精准诊疗决策。

本研究拟将放射影像组学方法引入到泡型包虫病的诊治体系中，构建泡型包虫病治疗预后评价体系并加以验证，在揭示病变特点和规律的同时，为疾病的个体化治疗评估和预后判断上提供关键的信息和数据，实现精准诊疗决策。本项目计划从三方面展开研究：首先对肝脏泡型包虫病的多模态影像（MR，CT）进行筛选和提取，建立起基于影像组学特征对于肝脏泡型包虫病分类的判断并进行影像组学评分，继而通过PET-CT影像判断HAE病灶是否失活作为分类标准，利用CT和MRI影像组学特征建立起的分类模型及个体临床指标构建HAE病灶活性的个体化预测模型，另外对于影响疾病预后的远隔脏器转移结局进行了基于影像组学特征的验证分析，以为个体化精准治疗提供可靠依据。本研究在常规的影像组学分析步骤和方法上，为了提高诊断精度，对MRI和CT影像中的泡型包虫病病灶区构建单模态卷积神经网络，然后对二者进行融合，构建多模态卷积神经网络架构，同时进行多中心数据验证。此外，本研究利用多种机器学习算法构建预测性能最好的影像组学标签。综合影像组学标签、包虫病影像分型结果，基本临床指标（如年龄、疫区生活史等）及现用影像指标（如：病变大小、位置、结构成分，脉管结构侵犯情况，转移情况，CT/MRI成像定量指标等），采用全部预后预测数据集，建立可视化病灶活性概率预测诺模图，以满足临床医生对疾病个性化临床管理需要。项目执行基本按照申请书研究目标和计划开展工作，总体进展顺利，除受临床条件限制未取得足够的病灶活体标本，无法达到足够数量的影像组学病理对照分析外，基本完成研究任务，实现预期研究目标。本项目已发表SCI论文1篇，资助完成博士博士毕业论文1篇，培养博士研究生1名。后续试验结果整理及论文撰写仍在进行中。本项目主要研究进展有：1、使用影像组学方法建立肝脏泡型包虫病分类的研究。2、建立起基于MR/CT 的影像组学关于肝脏泡型包虫病灶病灶活性的预测模型。3、探索影像组学预测模型对于肝脏泡型包虫病是否会继发转移的分类预测。目前我们正在探索人工智能算法联合无监督机器学习对于肝脏泡型包虫分型及药物疗效预测判断，以期获得更理想的试验结果。