计算机辅助影像定量解码胰腺神经内分泌肿瘤全基因组学的研究

Gene targeting drug is an effective treatment for pancreatic neuroendocrine tumor (P - NETs). Because of the actual and spatial heterogeneity in tumors, biopsy, which merely extracts and analyzes a small part of the tumor tissue, cannot be applied for comprehensive tumor gene detection. Besides, genetic mutations may easily occur during the treatment of tumor. Tumor genome analysis, searching for individual specific therapeutic targets and real-time monitoring the changes in gene is the key to accurate P - NETs treatment. To overcome this problem, this study intends to apply bioinformatics technology, using computer semi-automatic quantitative decoding technology, for the extraction of quantitative imaging characteristics in structure and function imaging of P - NETs tumors, and to analyze the correlations between the imaging features and the tumor gene, in order to find the quantitative imaging features and different combinations of the features that can reflect the related gene of P-NETs. Therefore to build up a forecasting model of P - NETs related gene expression based on the imaging features, and to verify the accuracy of the forecasting model through independent prospective P - NETs samples, for the exploration of replacing molecular markers with noninvasive imaging markers, and for realizing real-time monitoring of tumor gene, which provides the basis for gene targeting therapy.

基因靶向药物是胰腺神经内分泌肿瘤（P-NETs）是有效的治疗方法。由于肿瘤具有实际和空间的异质性，通过活检只能提取和分析一小部分肿瘤组织，不能全面检测肿瘤的基因特征；同时，治疗过程中肿瘤易出现的基因突变。进行肿瘤全基因组分析，寻找个体特异性治疗靶点，实时监测基因的改变是实现P-NETs精准治疗的关键。针对这一难题，本研究拟借助生物信息学技术，利用计算机半自动化定量解码的技术，提取P-NETs肿瘤结构成像和功能成像特征中的定量影像特征，分析各影像特征与肿瘤基因的相关性，寻找能反映P-NETs相关基因的定量影像特征及不同特征的组合，进而建立基于影像特征预测P-NETs相关基因表达的预测模型，并通过独立的前瞻性P-NETs样本验证该模型预测的准确性，探索以非侵袭性的影像标志物替代分子标志物。实现肿瘤基因的影像实时监测，为基因靶向治疗提供依据。

基因靶向药物治疗是胰腺神经内分泌肿瘤（pancreatic neuroendocrine neoplasms,PNENs）的有效治疗方法，进行基因分析，寻找个体特异性治疗靶点，实时监测基因的改变是实现PNENs精准治疗的关键。然而，PNENs的基因表达在时间和空间上具有异质性。活检只能提取和分析一小部分肿瘤组织，不能全面检测肿瘤的基因特征。针对上述难题，本研究借助生物信息学技术，克服传统影像学方法的局限性，利用计算机深度学习提取PNENs的定量影像特征，分析各影像特征与肿瘤基因表达的相关性，进而建立基于影像特征预测PNENs相关基因表达的预测模型。.本研究利用高性能计算机深度学习的分析方法，对PNENs病灶的影像特征进行了全方位的提取和分析，分析影像特征与PNENs的系列生物学行为的相关性，包括基因表达、病理分级、术后复发转移、预后（PFS）等方法，成功建立基于定量CT影像特征预测PNENs基因表达、病理分级、术后复发转移、预后等计算机预测模型。同时，为验证模型的准确性，课题组采用其他研究中心的数据进行第三方独立验证。研究结果表明，这些预测模型的准确性、敏感度及特异度均在80%左右，部分模型的准确性接近90%，值得临床应用推广。本研究成功利用无创性的影像标志物预测肿瘤的生物学行为，尤其是基因表达情况，为PNENs的基因靶向治疗提供可靠的依据，辅助临床决策。.课题组同时成功开发胰腺肿瘤、PNENs肝脏转移瘤的CT图像计算机自动分割模型，准确性在85%以上，为减少医师图像分割的工作量、提高图像分割的准确性提供理想的平台。.在PNENs的基因靶向治疗、生物制剂治疗、弥漫性肝转移的疗效评估标准方面，本研究也进行了一系列探索，包括疗效评价标准的选择、评价最佳阈值的选择、肝转移瘤总体体积及密度变化评估等，为PNENs病灶的治疗疗效评估方案提供更充分可靠的参考。.本研究成功建立以影像学为基础的疾病预测模型，探索无创性影像标志物预测肿瘤的生物学行为的方法，指导个体化精准治疗。该模式为治疗决策提供高质量的智力支持，有望成为疾病诊断与治疗的新方向。