KI-gestützte Bildgebung zur Beschleunigung der Entwicklung onkologischer Medikamente
Optimierte Patientenauswahl und Kohortenanreicherung durch Multi-Omic-Biomarker-Profiling
Mit Funktionen zur Bildstandardisierung, KI-gestützten Läsionserkennung und -segmentierung sowie KI-basierten prädiktiven Bildgebungs-Biomarkern ermöglicht die Plattform von Quibim ein optimiertes Studiendesign, beschleunigt die Entscheidungsfindung und verbessert die Entwicklung personalisierter Behandlungen.
Durch die Kombination quantitativer Bildanalysen aus SoC-Bildern mit multi-omischer Biomarker-Profilierung optimieren wir nicht nur die Patientenauswahl und Kohortenanreicherung, sondern zeigen auch Tumorheterogenität, Mikroumgebungsmerkmale und Behandlungsansprechmuster auf. Allein oder in Kombination mit Patientendaten helfen diese Biomarker dabei, diejenigen zu identifizieren, die am wahrscheinlichsten von zielgerichteten oder immunonkologischen Therapien profitieren. Dies steigert die Studieneffizienz durch biologisch bedingte Kohortenanreicherung und verkürzt die Zeit bis zum Ergebnis.
Bildharmonisierungsvorverarbeitung für standortübergreifende Reproduzierbarkeit
Sichern Sie sich hochwertige, standardisierte Erkenntnisse aus medizinischen Bildern über verschiedene Standorte und Scanner hinweg mit erweiterter Harmonisierung
Aufgrund unterschiedlicher Erfassungsprotokolle und Scannertypen treten in realen Bilddaten häufig Schwankungen auf, die zu erheblichen Schwankungen der Bildintensität führen. Diese Inkonsistenzen erschweren die traditionelle Interpretation, verringern die Robustheit von KI-Modellen und beeinträchtigen die Reproduzierbarkeit von Bildgebungs-Biomarkern – insbesondere in der MRT.
Die Harmonisierung ist ein entscheidender Vorverarbeitungsschritt, um die Generalisierbarkeit von KI-Modellen zu verbessern und die Reproduzierbarkeit in groß angelegten Studien sicherzustellen.
Die Harmonisierungspipeline von Quibim standardisiert Bilder über Scanner und Protokolle hinweg, gewährleistet Konsistenz und verbessert die KI-Zuverlässigkeit bei klinischen Studien an mehreren Standorten.
Dataset von MRT-Bildern vor (links) und nach der Harmonisierung (rechts)
Automatisierte Erkennung und Segmentierung von Organen und Läsionen
Beschleunigen Sie Bildgebungsabläufe und reduzieren Sie die Variabilität in Hochdurchsatz-Onkologiestudien.
Unsere validierten Segmentierungsalgorithmen identifizieren, segmentieren und messen Organe und Läsionen in PSMA-PET/CT-, FDG-PET/CT-, CT- und MRT-Scans. Diese Tools reduzieren den manuellen Aufwand der Befunder drastisch und liefern konsistente, reproduzierbare Ergebnisse über verschiedene Datensätze hinweg.
Die validierte, vollautomatische Segmentierung mehrerer Organe überwindet diese Hürde. Die laufende Entwicklung zielt darauf ab, die Standards klinischer Studien hinsichtlich Leistung, Skalierbarkeit und Präzision zu erfüllen und zu übertreffen.
Quantitative Läsionscharakterisierung und -verfolgung
1. KI-gestütztes Tool zur Läsionsbewertung
Automatisch erkannte, segmentierte und gemessene Zielläsionen eines Patienten mit fortgeschrittenem NSCLC zu Beginn [links] und 1st Scans während der Behandlung [rechts]
Die Tools von Quibim identifizieren, segmentieren, messen und verfolgen Läsionen während der gesamten klinischen Studie automatisch. Durch die Optimierung dieser Prozesse werden schnellere und weniger variable radiologische Beurteilungen verbessert und so konsistentere Interpretationen erreicht. Experten können automatisierte Ergebnisse auch manuell segmentieren oder anpassen. DICOM Zuschauer, unterstützend RECIST 1.1 und seine Variationen, ohne die Effizienz des Arbeitsablaufs zu beeinträchtigen.
Features sind:
-
Quantifizierung der Tumorlast in mehreren Organen, mit laufender Erweiterung
-
Tumorwachstumskinetik für retrospektive Analyse und prädiktive Simulation
-
Beurteilung der Tumorheterogenität durch Radiomics
Vorteile: Robuste Überwachung des Behandlungserfolgs und des Tumorwachstums.
2. Beurteilung der Tumorlast des gesamten Körpers
3D-Segmentierungsmaske aus einem [18F] PSMA PET/CT-Scan bei einem Patienten mit mCRPC. Zu den Messgrößen zählen die Tumoranzahl sowie das organspezifische und Gesamttumorvolumen (TTV). Bei der molekularen Bildgebung (z. B. PSMA-PET, FDG-PET) werden auch aufnahmebezogene Messgrößen ausgewertet.
3. Tumorwachstumskinetik
Retrospektive Beurteilungen und prädiktive Simulationen einzelner Läsionen und der Tumorlastentwicklung liefern Einblicke in die Tumorentwicklung unter verschiedenen Behandlungsgruppen. Dadurch können Forscher Behandlungsergebnisse mit beispielloser Präzision modellieren und vergleichen.
CT-Scans eines Patienten mit fortgeschrittenem NSCLC zeigen die Entwicklung der Zielläsion zu drei Zeitpunkten. Diese konzeptionelle Simulation veranschaulicht, wie Tumorwachstumskinetik und Delta-Radiomik über verschiedene Behandlungsschemata hinweg beurteilt werden können. Basiert nicht auf einem tatsächlichen Vorhersagemodell..
4. Beurteilung der Tumorheterogenität
Entropie und andere erweiterte radiomische Merkmale, die aus medizinischen Bildern extrahiert werden, helfen bei der Quantifizierung der Variabilität innerhalb einer Läsion; sie sind von entscheidender Bedeutung für das Verständnis der Tumoraggressivität und die Vorhersage des Behandlungserfolgs.
Quantifizierung der intraläsionalen Heterogenität mittels Entropie aus einem DWI-MRT-Scan. Texturmerkmale zeigen mikroskopische Heterogenität jenseits der visuellen Beurteilung. Hohe Entropie deutet oft auf aggressivere Tumoren hin, während niedrige Entropie auf ein besseres Behandlungsergebnis hindeutet. Zeitliche Veränderungen können als frühe Biomarker für den therapeutischen Effekt dienen..
5. Merkmalsbasierte Modelle
Merkmalsbasierte Modelle zur Extraktion Tausender gewebebezogener Variablen (einschließlich radiomischer Merkmale, tiefer Merkmale und bildgebender Biomarker).
Erweitert Tiefe Merkmalsextraktion aus einem Tumor Begrenzungsrahmen und sein Mikro mit einem Encoder-Decoder Architektur
Skalierbare Bildgebungs-Biomarker-Panels für die Präzisionsmedizin
Wir extrahieren hochdimensionale Merkmale – darunter Radiomics, Deep Features und bildgebende Biomarker – aus Daten auf Organ- und Läsionsebene, um maßgeschneiderte Panels für diagnostische, prognostische und prädiktive Zwecke zu erstellen. Diese Panels unterstützen die Kohortenanreicherung und Patientenstratifizierung. Die Biomarker-Panels von Quibim ermöglichen eine detaillierte Krankheitscharakterisierung, Reaktionsverfolgung und Behandlungsbewertung. Wir erweitern unser Angebot um Mutationsbildklassifikatoren – KI-Modelle, die molekulare Merkmale wie den EGFR-Mutationsstatus bei NSCLC nicht-invasiv vorhersagen. Durch die Kombination fortschrittlicher Bildanalyse mit prädiktiver Modellierung gestaltet Quibim die Zukunft der Präzisionsmedizin.
Alle diese Funktionen finden Sie in QP-Insights, eine End-to-End-Bildgebungsplattform
Die fortschrittliche Plattform der neuen Generation für die Verwaltung, Speicherung und Analyse umfangreicher Multi-Omics-Daten und medizinischer Bilder in klinischen Studien und Forschungsprojekten.
Related articles
-
Die Plattform QP-Prostate® CAD, einschließlich der Möglichkeit zur Läsionserkennung und Diagnose, von der FDA zugelassen
Weiterlesen
-
ECR 2024 KI Lightning Talk
Weiterlesen
-
Philips arbeitet mit dem Spezialisten für bildgebende Biomarker Quibim an KI-basierten Bildgebungs- und Berichtslösungen für MR-Prostatauntersuchungen
Weiterlesen