小罗碎碎念
今天和大家分享一个国自然青年项目，执行年限为2021.01～2023.12，直接费用为24万元。
胃癌在我国发病率和死亡率高，进展期胃癌术后辅助化疗对部分患者有利，但缺乏有效疗效预测方式。项目旨在构建预测模型并优化，探索分子机制，为个体化精准诊疗提供方案。
该项目明确了 CDC6 和 RAD1 通过调控 ATR - CHK1 通路影响化疗敏感性。构建了由 TGFA、HCFC1、KLF7、WARS1、WNT4 五基因组成的胃癌术后辅助化疗疗效预测模型，经内部和外部验证集验证有效，且 5 个基因与化疗疗效密切相关。
利用深度学习，结合胃癌新辅助患者初诊增强 CT 和胃镜活检病理图像，构建新辅助化疗疗效预测模型，在多中心回顾性和前瞻性队列中验证，模型 AUROC 分别达 0.879、0.896、0.830，优于同类研究。
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、项目概述
胃癌是我国发病率和死亡率最高的恶性肿瘤之一。进展期胃癌病人术后常进行辅助化疗，但对部分患者弊大于利，且目前尚无临床可用的辅助化疗疗效预测方式，相关标志物研究未获临床认可，美国临床肿瘤学会将确定受益患者群体列为未来研究重点。
化疗机制复杂，单个分子标志难以预测疗效，联合多个标志物或可解决问题，虽已有大量表达谱数据，但传统统计方法难筛选出可靠预测模型。
前期申请人用机器学习技术构建了胃癌辅助化疗疗效预测模型，本项目将进行大样本验证，同时研究模型分子机制，确证CDC6和RAD1通过调控ATR - CHK1通路磷酸化激活影响化疗，并对模型二次训练及验证。
二、两组医学图像标注示例
- A组：为门静脉期CT图像的标注，包括肿瘤和淋巴结的原始图像（CT-Tumor-Origin、CT-Lymph node-Origin） 、轮廓标注图像（CT-Tumor-Contour、CT-Lymph node-Contour）以及感兴趣区域（ROI）标注图像（CT-Tumor-ROI、CT-Lymph node-ROI），标注的是肿瘤面积最大层面的ROI。
- B组：为胃镜病理全切片图像（WSI）的标注，包括原始图像（Biopsy-WSI-Origin）、感兴趣区域标注图像（Biopsy-WSI-ROI）以及放大200倍的感兴趣区域图像（Biopsy-WSI-ROI(200×) ），主要对肿瘤细胞和肿瘤间质进行标注。
三、关于胃癌相关研究的多种模型和特征提取方法
- 图A：呈现了不同模态（CT和WSI）数据的特征提取过程，使用ResNet - 34和GAT分别处理CT和WSI数据，还涉及对比学习的整合，最终通过SoftMax输出结果。
- 图B：展示了从肿瘤原发灶和转移淋巴结中提取特征的流程，通过一系列处理步骤，利用平均池化等操作获取相关特征。
- 图C：是用于全切片图像（WSI）特征提取的图神经网络（GNN）的示意图，展示了节点间的计算关系，包括矩阵运算、激活函数（LeakyReLU）和SoftMax等操作。
- 图D：为有监督的对比学习模型（CLIP）示例，包括编码（Encoder）、多层感知机（MLP）处理，最终输出特征矩阵。
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！