- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT05151718
Multiomický přístup k radiorezistenci ependymomů u dětí a dospívajících (EPENDYMOMICS)
Ependymomika: Multiomický přístup k radiorezistenci ependymomů u dětí a dospívajících
Léčba dětského ependymomu, druhého nejčastějšího dětského mozkového nádoru, je založena na chirurgii a radioterapii. V 50 % však dochází k relapsu, převážně lokálně. Pokrok v zobrazování, molekulární biologii a balistice radioterapie nás vedl k návrhu projektu EPENDYMOMICS, multi-omického přístupu využívajícího umělou inteligenci k detekci prediktivních charakteristik relapsu a k definování inovativních cílů radioterapie pomocí multimodálního zobrazování. Již dříve jsme uvedli, že místa relapsu se nacházejí hlavně v zóně s vysokou dávkou radioterapie a že se zdá, že existují prognostické faktory pro relaps založené na anatomických a funkčních abnormalitách MRI difuzí a perfuzí. Nedávné studie v molekulární biologii navíc identifikovaly významné prognostické faktory. Úkolem je nyní použít a korelovat všechna tato zjištění ve větších kohortách k řešení radiorezistence tohoto onemocnění.
Naším cílem je shromáždit do jediné databáze nazvané NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) klinická, histologická, biologická, zobrazovací a radioterapeutická data ze dvou po sobě jdoucích studií, které zahrnovaly 370 dětí a dospívajících s ependymomem od roku 2000. ve Francii. Projekt EPENDYMOMICS bude zahrnovat klinický výzkumný tým, tři zobrazovací výzkumné týmy, dva histopatologické týmy a biostatistický tým pracující na NETSPARE. Naším cílem je získat radiogenomický podpis našich dat, který bude validován s anglickou externí kohortou 200 pacientů, která je v současné době analyzována. Perspektiva je optimalizovat indikace a objemy ozařování, které by mohly být v budoucnu použity v evropském translačním výzkumu k řešení radiorezistence.
Přehled studie
Postavení
Podmínky
Detailní popis
Rezistence na léčbu nás přiměla k provedení národní studie PEPPI (Pediatric Ependymoma Photons Protons and Imaging). PEPPI shromáždil klinická, zobrazovací a dozimetrická data od dětí s intrakraniálním ependymomem léčených ve Francii v letech 2000 až 2013. Od té doby jsou pacienti léčeni v současném prospektivním programu SIOP II Ependymoma. Naše klinické výsledky potvrdily klasické klinické prognostické faktory včetně dávky radioterapie a ukázali jsme, že zobrazovací biomarkery z T2/FLAIR, perfuzní a difuzní MRI jsou nové prognostické faktory. Uvedli jsme, že k relapsu po RT dochází hlavně lokálně v oblasti s vysokou dávkou. Prognostická hodnota dávky a vysoká míra relapsu při standardní dávce nás přiměly k provedení in silico dozimetrické studie eskalace dávky porovnávající fotony a protony, což potvrzuje proveditelnost tohoto přístupu. V sérii PEPPI nebyla predikce místa relapsu pomocí pokročilého MR zobrazení možná kvůli malému vzorku zobrazovacích dat a nebyla k dispozici současná biomolekulární klasifikace. Nedávno profilování metylace DNA poskytlo novou klasifikaci ependymomu v molekulárních podskupinách, které mají silnou prognostickou hodnotu.
Projekt EPENDYMOMICS si klade za cíl určit prognostickou roli multimodálního zobrazování, identifikovat radiorezistentní shluky predikující relaps a analyzovat spojení mezi radiomickými rysy a genomickými markery, což vede k radiogenomické studii. Bude stavět na databázi s větším počtem pacientů nazvanou NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) s cílem vyvinout radiomický přístup, tj. předpovídat klinické koncové body spoléháním se na kvantitativní vlastnosti extrahované z lékařských snímků pomocí buď ručně vyrobených nebo automatizované algoritmy extrakce funkcí. Tyto vlastnosti budou využívány a kombinovány s dalšími dostupnými proměnnými (klinickými, genetickými atd.) jako vylepšená podpora rozhodování.
Sběr dat MRI: Diagnostické, FU až do relapsu (formát DICOM)
- Sekvence: T1W, T2W, FLAIR, T1W s a bez vylepšení kontrastu, difuzně vážené zobrazení (DWI), perfuzně vážené zobrazení (PWI) Radioterapie: CT sken, RTDOSE, RTSS, RTPLAN (formát DICOM RT) Klinické: Věk, chirurgie, chemoterapie, dávky, pozdní účinky, datum relapsu Histologie: hematoxylinem a eosinem (H&E) barvené histopatologické preparáty Molekulární biologie: Methylační skupiny RELA, YAP, PFA a PFB
Kontrola kvality dat a vymezení objemu zájmu pro zpracování dat před následným zpracováním a analýzou.
Aby byla zajištěna předběžná robustní segmentace obrazu, bude u každého pacienta zkontrolována sada struktury radioterapie. Odesílající radiolog potvrdí všechny změny zobrazení po RT. Expertní radiační onkolog bude segmentovat objemy abnormalit po léčbě v T1WI po kontrastu, v T2W/FLAIR zobrazení, stejně jako místo relapsu a chybějící OAR.
Následné zpracování obrazových dat a analýza změn po radioterapii Zpracujeme DWI a PWI pomocí Olea Sphere®3.0 software, řešení pro následné zpracování pro MRI a CT skenery. Budeme extrahovat a generovat mapy zdánlivého difúzního koeficientu z dat DWI vypočítaných na základě voxel po voxelu a mapy relativního objemu mozkové krve vypočítané z dat PWI pomocí rutiny rozkladu singulární hodnoty oscilačního indexu a korekce na efekty úniku vážené T1.
Všechna data MRI budou přísně registrována společně s T1WI-PC a plánovacím CT.
Harmonizace radiomik Provedeme zvýšení úrovně harmonizace snímků a/nebo extrahovaných prvků na vysoce heterogenním datovém souboru z důvodu jeho více zdrojů.
Vyvineme framework založený na GAN, který převede heterogenní obrázky tak, aby odpovídaly vlastnostem standardní datové sady, jako je referenční obrázek šablony, nebo alternativně jedna sada obrázků vybraných jako reference. Potřebujeme určit relevantní vlastnosti v rámci obrázků (lokální nebo globální metriky, texturu, okraje, kontrast, poměr signálu k šumu atd.) a zajistit schopnost rámce harmonizovat obrázky bez ztráty jejich klinicky relevantních informací a obsahu. .
V prostoru funkcí lze použít četné statistické přístupy, jako je normalizace nebo kompenzace dávkového efektu. Ukázalo se, že ComBat překonává jiné podobné přístupy a my se budeme spoléhat na odhad Monte Carlo pro malé vzorky. Budeme zkoumat kombinaci metod dávkové korekce s nekontrolovaným shlukováním, abychom se vypořádali s daty s velmi vysokou heterogenitou a velmi malým počtem vzorků na šarži.
Pro zlepšení výsledků multicentrických radiomických studií by mohlo být přínosné a doplňkové zkombinovat harmonizační metodologii založenou na obrazech a funkcích. Zhodnotíme potenciální přidaný přínos obou dříve vyvinutých přístupů při zlepšování výsledků. Cílem tohoto úkolu bude zjistit, zda je nejúčinnější první nebo druhý přístup (nebo jejich kombinace), přičemž se vezme v úvahu nejen absolutní zlepšení pozorované ve výsledcích, ale také výpočetní čas a úsilí potřebné k implementovat každý přístup v praxi.
Biomolekulární analýza Budou zahrnuty biologické zdroje z kohort pacientů s ependymomem PEPPI a SIOPII. Nejprve bude potvrzena diagnóza intrakraniálních ependymomů a poté budou vyšetřeny patologické rysy.
Klasifikace ependymomů WHO 2020: cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy – Not Official WHO) se rozhodlo klasifikovat ependymomy podle umístění a základní genetické změny. Současná klasifikace WHO se reviduje.
Biologické studie potřebné pro klasifikaci intrakraniálního ependymomu projektu:
Imunohistochemie: p65-RelA, H3K27Me3. Analýza FISH (klasifikace a variace počtu kopií). DNA-methylační profilování. Analýza RNAseq.
Hluboké učení (DL) pro molekulární biomarkery ependymomu Za tímto účelem tým Zimmer navrhl a vytrénoval hluboké konvoluční neuronové sítě založené na architektuře Inception V3, aby odlišily ependymom od gliomu stupně III a IV. Předběžné výsledky založené na souboru zobrazovacích dat naznačují vysokou přesnost diskriminace a naznačují možnost předpovídat klinicky relevantní mutace pouze ze snímků H&E (rukopis se připravuje).
Tyto DL přístupy rozšíříme o predikci rezistence na terapii a metastáz. To bude provedeno použitím samotných histopatologických snímků buď jako vstupu nebo v kombinaci s klasifikacemi založenými na molekulárních testech. Na technické úrovni využijeme nejmodernější architektury hlubokých neuronových sítí založené na konvolučních vrstvách a přeskakování spojení. Abychom kompenzovali střední velikost trénovací datové sady, budeme intenzivně využívat přenosové učení. Zde konkrétně využijeme databázi TGCA, která obsahuje snímky velmi odlišných druhů rakoviny, jako je rakovina prsu, a přizpůsobíme úspěšné modely přeškolením na podmnožinu dat o ependymomech získaných v této studii. Přijmeme také víceúrovňové zobrazení obrazu pro lepší využití obrazových informací na buněčné a tkáňové úrovni, použijeme H&E specifickou barevnou normalizaci a metody pro automatizovanou eliminaci oblastí vystavených artefaktům ze zobrazení. Také začleníme vyvinuté metody do Imjoy. Oddělením grafického uživatelského rozhraní od výpočetního back-endu umožňuje uživatelům přístup ke špičkovým výpočetním funkcím z jakékoli pracovní stanice nebo notebooku.
Statistická analýza Bude vyvinuto a ověřeno několik signatur: radiomická signatura (RAD-Score), radiomická a klinická signatura (RADClin-Score), molekulární signatura (MOL-score) a globální signatura (radiomická, molekulární a klinická signatura) .
- RAD-skóre spojené s přežitím bez progrese (PFS). Aby se předešlo zkreslení, NETSPARE vytvořený z retrospektivní multicentrické studie zahrnující nezávislé kohorty je tréninkovou kohortou. Validační kohorta pro testování výkonu radiomického podpisu odpovídá britské kohortě programu SIOP II (n=220). Toto rozdělení umožňuje externí validaci.
Tréninková kohorta: medián PFS se v literatuře odhaduje na 5 let. To odpovídá 3,5letému PFS ve výši 62 %. Při 370 pacientech a mediánu sledování 3,5 roku očekáváme minimálně 120 příhod. Podle základního pravidla doporučujícího 10 událostí na zájmovou proměnnou lze trénovat multiparametrický model kombinující 10 proměnných. Ke studiu asociace mezi zobrazovacími parametry a PFS bude použita alternativní modelovací strategie založená na penalizovaném přístupu. Vzhledem k tomu, že data zobrazovacích biomarkerů daleko přesahují velikost vzorku a jsou vzájemně korelována, budou pro regularizaci a výběr proměnných použity penalizované metody (dříve používané v různých situacích s prostorovými daty), a to podporou seskupovacího efektu a výběrem vysvětlujících proměnných.
Validační kohorta: očekává se 66 událostí. S tímto počtem událostí je možné detekovat s 80% výkonem poměr rizika 0,5 mezi skupinou s nízkým a vysokým rizikem (Logran test oboustranný 0,05).
Demografické údaje: Spojité proměnné budou shrnuty podle kohorty pomocí mediánu, minima, maxima a počtu dostupných pozorování. Kvalitativní proměnné budou sumarizovány pomocí počtů, procent a počtu chybějících údajů. Porovnání mezi kohortou bude provedeno pomocí chí-kvadrát testu (nebo Fisherova exaktního testu, pokud je to vhodné) pro kvalitativní proměnné a Mann-Whitneyho testu pro kvantitativní proměnné.
- Vývoj a validace radiomic signatur: Ke studiu asociace mezi zobrazovacími funkcemi a PFS použijeme alternativní modelovací strategii založenou na penalizovaném Coxově regresním modelu. Metoda elastické sítě podporuje seskupovací efekt a vybírá vysvětlující proměnné. Provedeme 10násobné křížové ověření, abychom vybrali nejlepší penalizační parametr lambda. Parametr míchání α, další parametr metody Elastic net, bude nastaven na výchozí hodnotu 0,5. Ke stanovení skóre RAD budou použity regresní koeficienty spojené s každým stavem různých proměnných. Protože výsledek je časově závislý, bude skóre rizika dichotomizováno pomocí časově závislé ROC křivky, aby se získal klasifikátor (rizikové skupiny: špatná vs. střední vs dobrá prognóza). Optimální prahová hodnota byla stanovena tak, aby bylo po 3 letech dosaženo senzitivity alespoň 80 % a nejlepší specificity.
Intervalová validace bude provedena pomocí křížové validace s ponecháním k-out. Poté použijeme podpis skóre RAD na ověřovací kohortu. Výkony skóre budou hodnoceny pomocí různých kritérií: monotónnost prognostické stratifikace hodnocená pomocí Kaplan-Meierových křivek přežití a odhadu Hazard Ratio (HR), diskriminace hodnocená Harrellovým C-Indexem a statistikou D, kvalita modelu a podíl vysvětlené variace odhadované podle Akaike Information Criterion (AIC) a statistiky RD². Schopnost prognostického skóre identifikovat pacienty s vysokým rizikem relapsu během prvních 3 let bude hodnocena stanovením senzitivity, specificity a prediktivní hodnoty pomocí časově závislé ROC křivky.
- Vývoj a validace RADClin-Score: Abychom začlenili klinické a zobrazovací informace, zkombinujeme jak nízkorozměrná klinická, tak vysokorozměrná zobrazovací data do globálního predikčního modelu. Nejprve zcela ignorujeme zobrazovací funkce. K identifikaci klinických kovariát spojených s PFS bude použit Coxův model. Sestavíme klinický lineární prediktor pomocí regresního koeficientu. Dále použijeme Elastic Net s klinickým lineárním prediktorem v offsetu k identifikaci zobrazovacích prvků. Nakonec spočítáme RADClin-Score pomocí regresního koeficientu. Vyneseme Vennův diagram, abychom porovnali výběr funkcí s RADClin-Score a RAD-Score. Porovnáme model pomocí různých dříve uvedených kritérií.
Typ studie
Zápis (Očekávaný)
Kontakty a umístění
Studijní kontakt
- Jméno: Anne LAPRIE, PU-PH
- Telefonní číslo: + 33 (0)5 31 15 50 50
- E-mail: laprie.anne@iuct-oncopole.fr
Studijní záloha kontaktů
- Jméno: Fatima TENSAOUTI, phD
- Telefonní číslo: + 33 (0)5 31 15 50 50
- E-mail: tensaouti.fatima@iuct-oncopole.fr
Studijní místa
-
-
-
Toulouse, Francie, 31059
- Nábor
- Institut Claudius Regaud
-
Kontakt:
- Anne LAPRIE
- Telefonní číslo: +33(0)531155050
- E-mail: laprie.anne@iuct-oncopole.fr
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Pohlaví způsobilá ke studiu
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- děti s intrakraniálním ependymomem
- léčeni
- zařazen do studie PEPPI, pediaRT nebo do francouzského programu SIOP II Ependymoma
Kritéria vyloučení:
- NA
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Kohorta
- Časové perspektivy: Retrospektivní
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Definice radiogenomických signatur, které predikují výsledek pacienta
Časové okno: 30 měsíců
|
Primárním cílovým parametrem je přežití bez progrese (PFS), tj. doba od diagnózy do progrese nebo úmrtí z jakékoli příčiny.
Pacienti žijící při poslední kontrole jsou k tomuto datu cenzurováni.
|
30 měsíců
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
---|---|---|
Definice nových cílových objemů RT na základě radiomických znaků a výběr jejich indikací na základě biomolekulárních prognostických faktorů
Časové okno: 30 měsíců
|
K vyhodnocení diskriminační kapacity bude použito několik indexů: Harrellův C-Index a statistika D, Akaike Information Criterion (AIC) a statistika RD²
|
30 měsíců
|
Předpovídat rezistenci na terapii pomocí histologických dat v digitálním formátu a biomolekulárních dat pro analýzu metodami založenými na umělých hlubokých neuronových sítích.
Časové okno: 30 měsíců
|
K vyhodnocení diskriminační kapacity bude použito několik indexů: Harrellův C-Index a statistika D, Akaike Information Criterion (AIC) a statistika RD²
|
30 měsíců
|
Spolupracovníci a vyšetřovatelé
Publikace a užitečné odkazy
Obecné publikace
- Heagerty PJ, Zheng Y. Survival model predictive accuracy and ROC curves. Biometrics. 2005 Mar;61(1):92-105. doi: 10.1111/j.0006-341X.2005.030814.x.
- Louis DN, Perry A, Reifenberger G, von Deimling A, Figarella-Branger D, Cavenee WK, Ohgaki H, Wiestler OD, Kleihues P, Ellison DW. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary. Acta Neuropathol. 2016 Jun;131(6):803-20. doi: 10.1007/s00401-016-1545-1. Epub 2016 May 9.
- Tensaouti F, Ducassou A, Chaltiel L, Bolle S, Muracciole X, Coche-Dequeant B, Alapetite C, Bernier V, Claude L, Supiot S, Huchet A, Kerr C, le Prise E, Laprie A; radiotherapy committee of the French Society for Childhood Cancer (SFCE). Patterns of failure after radiotherapy for pediatric patients with intracranial ependymoma. Radiother Oncol. 2017 Mar;122(3):362-367. doi: 10.1016/j.radonc.2016.12.025. Epub 2017 Jan 12.
- Ducassou A, Padovani L, Chaltiel L, Bolle S, Habrand JL, Claude L, Carrie C, Muracciole X, Coche-Dequeant B, Alapetite C, Supiot S, Demoor-Goldschmidt C, Bernier-Chastagner V, Huchet A, Leseur J, Le Prise E, Kerr C, Truc G, Nguyen TD, Bertozzi AI, Frappaz D, Boetto S, Sevely A, Tensaouti F, Laprie A; Pediatric French Radiation Oncologist Group (GFRP) and the French Society of Children With Cancer (SFCE). Pediatric Localized Intracranial Ependymomas: A Multicenter Analysis of the Societe Francaise de lutte contre les Cancers de l'Enfant (SFCE) from 2000 to 2013. Int J Radiat Oncol Biol Phys. 2018 Sep 1;102(1):166-173. doi: 10.1016/j.ijrobp.2018.05.036. Epub 2018 May 24.
- Tensaouti F, Ducassou A, Chaltiel L, Sevely A, Bolle S, Muracciole X, Coche-Dequant B, Alapetite C, Supiot S, Huchet A, Bernier V, Claude L, Bertozzi-Salamon AI, Liceaga S, Lotterie JA, Peran P, Payoux P, Laprie A; radiotherapy committee of the French Society for Childhood Cancer (SFCE). Prognostic and predictive values of diffusion and perfusion MRI in paediatric intracranial ependymomas in a large national study. Br J Radiol. 2016 Oct;89(1066):20160537. doi: 10.1259/bjr.20160537. Epub 2016 Aug 23.
- Tensaouti F, Ducassou A, Chaltiel L, Sevely A, Bolle S, Padovani L, Jouin A, Alapetite C, Supiot S, Huchet A, Bernier V, Claude L, Kerr C, Le Prise E, Bertozzi-Salamon AI, Liceaga S, Lotterie JA, Peran P, Laprie A; French Society for Childhood Cancer (SFCE). Imaging biomarkers of outcome after radiotherapy for pediatric ependymoma. Radiother Oncol. 2018 Apr;127(1):103-107. doi: 10.1016/j.radonc.2018.02.008. Epub 2018 Mar 2.
- Tensaouti F, Ducassou A, Chaltiel L, Bolle S, Habrand JL, Alapetite C, Coche-Dequeant B, Bernier V, Claude L, Carrie C, Padovani L, Muracciole X, Supiot S, Huchet A, Leseur J, Kerr C, Hangard G, Lisbona A, Goudjil F, Ferrand R, Laprie A. Feasibility of Dose Escalation in Patients With Intracranial Pediatric Ependymoma. Front Oncol. 2019 Jun 21;9:531. doi: 10.3389/fonc.2019.00531. eCollection 2019.
- Pajtler KW, Mack SC, Ramaswamy V, Smith CA, Witt H, Smith A, Hansford JR, von Hoff K, Wright KD, Hwang E, Frappaz D, Kanemura Y, Massimino M, Faure-Conter C, Modena P, Tabori U, Warren KE, Holland EC, Ichimura K, Giangaspero F, Castel D, von Deimling A, Kool M, Dirks PB, Grundy RG, Foreman NK, Gajjar A, Korshunov A, Finlay J, Gilbertson RJ, Ellison DW, Aldape KD, Merchant TE, Bouffet E, Pfister SM, Taylor MD. The current consensus on the clinical management of intracranial ependymoma and its distinct molecular variants. Acta Neuropathol. 2017 Jan;133(1):5-12. doi: 10.1007/s00401-016-1643-0. Epub 2016 Nov 17.
- Da-Ano R, Visvikis D, Hatt M. Harmonization strategies for multicenter radiomics investigations. Phys Med Biol. 2020 Dec 17;65(24):24TR02. doi: 10.1088/1361-6560/aba798.
- Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007 Jan;8(1):118-27. doi: 10.1093/biostatistics/kxj037. Epub 2006 Apr 21.
- Chen C, Grennan K, Badner J, Zhang D, Gershon E, Jin L, Liu C. Removing batch effects in analysis of expression microarray data: an evaluation of six batch adjustment methods. PLoS One. 2011 Feb 28;6(2):e17238. doi: 10.1371/journal.pone.0017238.
- Da-Ano R, Masson I, Lucia F, Dore M, Robin P, Alfieri J, Rousseau C, Mervoyer A, Reinhold C, Castelli J, De Crevoisier R, Ramee JF, Pradier O, Schick U, Visvikis D, Hatt M. Performance comparison of modified ComBat for harmonization of radiomic features for multicenter studies. Sci Rep. 2020 Jun 24;10(1):10248. doi: 10.1038/s41598-020-66110-w.
- Louis DN, Wesseling P, Aldape K, Brat DJ, Capper D, Cree IA, Eberhart C, Figarella-Branger D, Fouladi M, Fuller GN, Giannini C, Haberler C, Hawkins C, Komori T, Kros JM, Ng HK, Orr BA, Park SH, Paulus W, Perry A, Pietsch T, Reifenberger G, Rosenblum M, Rous B, Sahm F, Sarkar C, Solomon DA, Tabori U, van den Bent MJ, von Deimling A, Weller M, White VA, Ellison DW. cIMPACT-NOW update 6: new entity and diagnostic principle recommendations of the cIMPACT-Utrecht meeting on future CNS tumor classification and grading. Brain Pathol. 2020 Jul;30(4):844-856. doi: 10.1111/bpa.12832. Epub 2020 Apr 19.
- Parker M, Mohankumar KM, Punchihewa C, Weinlich R, Dalton JD, Li Y, Lee R, Tatevossian RG, Phoenix TN, Thiruvenkatam R, White E, Tang B, Orisme W, Gupta K, Rusch M, Chen X, Li Y, Nagahawhatte P, Hedlund E, Finkelstein D, Wu G, Shurtleff S, Easton J, Boggs K, Yergeau D, Vadodaria B, Mulder HL, Becksfort J, Gupta P, Huether R, Ma J, Song G, Gajjar A, Merchant T, Boop F, Smith AA, Ding L, Lu C, Ochoa K, Zhao D, Fulton RS, Fulton LL, Mardis ER, Wilson RK, Downing JR, Green DR, Zhang J, Ellison DW, Gilbertson RJ. C11orf95-RELA fusions drive oncogenic NF-kappaB signalling in ependymoma. Nature. 2014 Feb 27;506(7489):451-5. doi: 10.1038/nature13109. Epub 2014 Feb 19. Erratum In: Nature. 2014 Apr 24;508(7497):554. Becksford, Jared [corrected to Becksfort, Jared].
- Panwalkar P, Clark J, Ramaswamy V, Hawes D, Yang F, Dunham C, Yip S, Hukin J, Sun Y, Schipper MJ, Chavez L, Margol A, Pekmezci M, Chung C, Banda A, Bayliss JM, Curry SJ, Santi M, Rodriguez FJ, Snuderl M, Karajannis MA, Saratsis AM, Horbinski CM, Carret AS, Wilson B, Johnston D, Lafay-Cousin L, Zelcer S, Eisenstat D, Silva M, Scheinemann K, Jabado N, McNeely PD, Kool M, Pfister SM, Taylor MD, Hawkins C, Korshunov A, Judkins AR, Venneti S. Immunohistochemical analysis of H3K27me3 demonstrates global reduction in group-A childhood posterior fossa ependymoma and is a powerful predictor of outcome. Acta Neuropathol. 2017 Nov;134(5):705-714. doi: 10.1007/s00401-017-1752-4. Epub 2017 Jul 21.
- Pajtler KW, Witt H, Sill M, Jones DT, Hovestadt V, Kratochwil F, Wani K, Tatevossian R, Punchihewa C, Johann P, Reimand J, Warnatz HJ, Ryzhova M, Mack S, Ramaswamy V, Capper D, Schweizer L, Sieber L, Wittmann A, Huang Z, van Sluis P, Volckmann R, Koster J, Versteeg R, Fults D, Toledano H, Avigad S, Hoffman LM, Donson AM, Foreman N, Hewer E, Zitterbart K, Gilbert M, Armstrong TS, Gupta N, Allen JC, Karajannis MA, Zagzag D, Hasselblatt M, Kulozik AE, Witt O, Collins VP, von Hoff K, Rutkowski S, Pietsch T, Bader G, Yaspo ML, von Deimling A, Lichter P, Taylor MD, Gilbertson R, Ellison DW, Aldape K, Korshunov A, Kool M, Pfister SM. Molecular Classification of Ependymal Tumors across All CNS Compartments, Histopathological Grades, and Age Groups. Cancer Cell. 2015 May 11;27(5):728-43. doi: 10.1016/j.ccell.2015.04.002.
- Pajtler KW, Wen J, Sill M, Lin T, Orisme W, Tang B, Hubner JM, Ramaswamy V, Jia S, Dalton JD, Haupfear K, Rogers HA, Punchihewa C, Lee R, Easton J, Wu G, Ritzmann TA, Chapman R, Chavez L, Boop FA, Klimo P, Sabin ND, Ogg R, Mack SC, Freibaum BD, Kim HJ, Witt H, Jones DTW, Vo B, Gajjar A, Pounds S, Onar-Thomas A, Roussel MF, Zhang J, Taylor JP, Merchant TE, Grundy R, Tatevossian RG, Taylor MD, Pfister SM, Korshunov A, Kool M, Ellison DW. Molecular heterogeneity and CXorf67 alterations in posterior fossa group A (PFA) ependymomas. Acta Neuropathol. 2018 Aug;136(2):211-226. doi: 10.1007/s00401-018-1877-0. Epub 2018 Jun 16.
- Siegfried A, Rousseau A, Maurage CA, Pericart S, Nicaise Y, Escudie F, Grand D, Delrieu A, Gomez-Brouchet A, Le Guellec S, Franchet C, Boetto S, Vinchon M, Sol JC, Roux FE, Rigau V, Bertozzi AI, Jones DTW, Figarella-Branger D, Uro-Coste E. EWSR1-PATZ1 gene fusion may define a new glioneuronal tumor entity. Brain Pathol. 2019 Jan;29(1):53-62. doi: 10.1111/bpa.12619. Epub 2018 Jul 13.
- Siegfried A, Masliah-Planchon J, Roux FE, Larrieu-Ciron D, Pierron G, Nicaise Y, Gambart M, Catalaa I, Pericart S, Dubucs C, Mohand-Oumoussa B, Tirode F, Bourdeaut F, Uro-Coste E. Brain tumor with an ATXN1-NUTM1 fusion gene expands the histologic spectrum of NUTM1-rearranged neoplasia. Acta Neuropathol Commun. 2019 Dec 30;7(1):220. doi: 10.1186/s40478-019-0870-8. No abstract available.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Coudray N, Ocampo PS, Sakellaropoulos T, Narula N, Snuderl M, Fenyo D, Moreira AL, Razavian N, Tsirigos A. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 2018 Oct;24(10):1559-1567. doi: 10.1038/s41591-018-0177-5. Epub 2018 Sep 17.
- Vahadane A, Peng T, Sethi A, Albarqouni S, Wang L, Baust M, Steiger K, Schlitter AM, Esposito I, Navab N. Structure-Preserving Color Normalization and Sparse Stain Separation for Histological Images. IEEE Trans Med Imaging. 2016 Aug;35(8):1962-71. doi: 10.1109/TMI.2016.2529665. Epub 2016 Apr 27.
- Ouyang W, Mueller F, Hjelmare M, Lundberg E, Zimmer C. ImJoy: an open-source computational platform for the deep learning era. Nat Methods. 2019 Dec;16(12):1199-1200. doi: 10.1038/s41592-019-0627-0. No abstract available.
- Moons KG, Altman DG, Vergouwe Y, Royston P. Prognosis and prognostic research: application and impact of prognostic models in clinical practice. BMJ. 2009 Jun 4;338:b606. doi: 10.1136/bmj.b606. No abstract available.
- Deist TM, Dankers FJWM, Valdes G, Wijsman R, Hsu IC, Oberije C, Lustberg T, van Soest J, Hoebers F, Jochems A, El Naqa I, Wee L, Morin O, Raleigh DR, Bots W, Kaanders JH, Belderbos J, Kwint M, Solberg T, Monshouwer R, Bussink J, Dekker A, Lambin P. Machine learning algorithms for outcome prediction in (chemo)radiotherapy: An empirical comparison of classifiers. Med Phys. 2018 Jul;45(7):3449-3459. doi: 10.1002/mp.12967. Epub 2018 Jun 13. Erratum In: Med Phys. 2019 Feb;46(2):1080-1087.
- Cozzi L, Dinapoli N, Fogliata A, Hsu WC, Reggiori G, Lobefalo F, Kirienko M, Sollini M, Franceschini D, Comito T, Franzese C, Scorsetti M, Wang PM. Radiomics based analysis to predict local control and survival in hepatocellular carcinoma patients treated with volumetric modulated arc therapy. BMC Cancer. 2017 Dec 6;17(1):829. doi: 10.1186/s12885-017-3847-7.
- Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015 Jan 7;350:g7594. doi: 10.1136/bmj.g7594.
- Royston P, Sauerbrei W. A new measure of prognostic separation in survival data. Stat Med. 2004 Mar 15;23(5):723-48. doi: 10.1002/sim.1621.
- De Bin R, Sauerbrei W, Boulesteix AL. Investigating the prediction ability of survival models based on both clinical and omics data: two case studies. Stat Med. 2014 Dec 30;33(30):5310-29. doi: 10.1002/sim.6246. Epub 2014 Jul 9.
- Laprie A, Ken S, Filleron T, Lubrano V, Vieillevigne L, Tensaouti F, Catalaa I, Boetto S, Khalifa J, Attal J, Peyraga G, Gomez-Roca C, Uro-Coste E, Noel G, Truc G, Sunyach MP, Magne N, Charissoux M, Supiot S, Bernier V, Mounier M, Poublanc M, Fabre A, Delord JP, Cohen-Jonathan Moyal E. Dose-painting multicenter phase III trial in newly diagnosed glioblastoma: the SPECTRO-GLIO trial comparing arm A standard radiochemotherapy to arm B radiochemotherapy with simultaneous integrated boost guided by MR spectroscopic imaging. BMC Cancer. 2019 Feb 21;19(1):167. doi: 10.1186/s12885-019-5317-x.
- Khalifa J, Tensaouti F, Lotterie JA, Catalaa I, Chaltiel L, Benouaich-Amiel A, Gomez-Roca C, Noel G, Truc G, Peran P, Berry I, Sunyach MP, Charissoux M, Johnson C, Cohen-Jonathan Moyal E, Laprie A. Do perfusion and diffusion MRI predict glioblastoma relapse sites following chemoradiation? J Neurooncol. 2016 Oct;130(1):181-192. doi: 10.1007/s11060-016-2232-8. Epub 2016 Aug 8.
- Laprie A, Catalaa I, Cassol E, McKnight TR, Berchery D, Marre D, Bachaud JM, Berry I, Moyal EC. Proton magnetic resonance spectroscopic imaging in newly diagnosed glioblastoma: predictive value for the site of postradiotherapy relapse in a prospective longitudinal study. Int J Radiat Oncol Biol Phys. 2008 Mar 1;70(3):773-81. doi: 10.1016/j.ijrobp.2007.10.039.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Očekávaný)
Dokončení studie (Očekávaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Odhad)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 21 HLTETE 01
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .
Klinické studie na Pediatrický pevný nádor
-
Varian, a Siemens Healthineers CompanyZatím nenabíráme
-
Peking Union Medical College HospitalNábor
-
The First Affiliated Hospital of Xiamen UniversityNábor
-
Eikon TherapeuticsSeven and Eight Biopharmaceuticals IncAktivní, ne nábor
-
Navire Pharma Inc., a BridgeBio companyAktivní, ne náborTumor, SolidSpojené státy
-
University of PennsylvaniaZatím nenabírámeTumor, Solid
-
Varian, a Siemens Healthineers CompanyDokončeno
-
Varian, a Siemens Healthineers CompanyDokončeno
-
University of Wisconsin, MadisonNational Cancer Institute (NCI); National Institutes of Health (NIH)Ukončeno