AI-assisteret system til nøjagtig diagnose og prognose af brystphyllodes-tumorer
Udvikling af et kunstig intelligens-baseret system til præcis diagnose og prognose af brystphyllodes-tumorer
Breast phyllodes tumor (PT) er en sjælden fibroepitelial tumor, der tegner sig for 1% til 3% af alle brysttumorer, kategoriseret af WHO i benigne, borderline og maligne, baseret på histopatologiske træk såsom tumorgrænse, stromal cellularitet, stromatypi , mitotisk aktivitet og stromal overvækst. Ondartede PT'er tegner sig for 18%-25%, med høj lokalt tilbagefald (op til 65%) og fjernmetastaser (16%-25%). Benign PT kan udvikle sig til malignitet efter flere gentagelser. Derfor er tidlig, nøjagtig diagnose og identifikation af terapeutiske mål afgørende for at forbedre resultater og overlevelsesrater.
I de senere år har der været stigende interesse for anvendelse af kunstig intelligens (AI) i medicinsk diagnostik. AI kan integrere klinisk information, histopatologiske billeder og multi-omics-data for at hjælpe med patologisk og klinisk diagnose, forudsigelse af prognose og molekylær profilering.AI har vist lovende resultater på forskellige områder, herunder diagnosticering af forskellige kræftformer såsom kolorektal cancer, brystkræft kræft og prostatakræft. PT adskiller sig dog fra brystkræft i diagnose og behandlingstilgang. Derfor er etablering af et AI-baseret system til præcis diagnose og prognosevurdering af PT afgørende for personlig medicin.
Forskerholdet, ledet af Dr. Nie Yan, er et af de få i Guangdong-provinsen og endda nationalt, der har specialiseret sig i PT-forskning. Deres team har forsket i malign progression, metastasemekanismer og molekylære markører for PT. Holdet har identificeret nøglemekanismer, såsom fibroblast-til-myofibroblastdifferentiering, og tumorassocierede makrofagers rolle i at fremme denne differentiering. De har også identificeret molekylære markører, herunder miR-21, α-SMA, CCL18 og CCL5, som er mere nøjagtige til at forudsige risiko for tumorgentagelse sammenlignet med traditionel histopatologisk gradering.
Projektet har indsamlet data af høj kvalitet fra næsten tusinde bryst-PT-patienter, inklusive billeddiagnostik, histopatologi og overlevelsesdata, og har udført transkriptom-gensekventering på vævsprøver. De sigter mod at opbygge en omfattende multi-omics-database for bryst-PT og skabe en AI-baseret model til tidlig diagnose og forudsigelse af prognose. Denne forskning har potentialet til at forbedre diagnosticering og behandling af bryst-PT, adressere forskellene i bryst-PT-pleje på tværs af forskellige regioner i Kina og bidrage til udviklingen af nye terapeutiske mål.
Studieoversigt
Status
Intervention / Behandling
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Yan Nie, Prof.Dr.
- Telefonnummer: +86 020-81332587
- E-mail: nieyan7@mail.sysu.edu.cn
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510120
- Rekruttering
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
Kontakt:
- Yan Nie, Prof.Dr.
- Telefonnummer: +86 020-81332587
- E-mail: nieyan7@mail.sysu.edu.cn
-
Guangzhou, Guangdong, Kina, 510050
- Rekruttering
- Sun Yat-sen University Cancer Center
-
Kontakt:
- Feng Ye, Prof.Dr.
- Telefonnummer: 15914388994
-
Guangzhou, Guangdong, Kina, 510145
- Rekruttering
- The Third Affiliated Hospital of Guangzhou Medical University
-
Kontakt:
- Hui Mai, Prof.Dr.
- Telefonnummer: 13925129112
-
Guangzhou, Guangdong, Kina, 511400
- Rekruttering
- Guangdong Maternal and Child Health Hospital
-
Kontakt:
- Yu Tan, Prof.Dr.
- Telefonnummer: 13632356526
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter diagnosticeret med en phyllodes tumor i brystet
Ekskluderingskriterier:
- Slørede billeder, billedartefakter
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Bryst phyllodes tumor
Patienter diagnosticeret med phyllodes tumor i brystet
|
Patientmedicinsk billeddannelsesmateriale, herunder ultralyd, mammografi, CT, MR
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhed
Tidsramme: Fem år
|
Sandsynligheden for et positivt testresultat, betinget af, at det er virkelig positivt.
|
Fem år
|
|
Falsk-negativ sats
Tidsramme: Fem år
|
Bestem oddsene for at teste negativ i en positiv population.
|
Fem år
|
|
Specificitet
Tidsramme: Fem år
|
Sandsynligheden for et negativt testresultat betinget af et sandt negativt.
|
Fem år
|
|
Falsk-positiv rate
Tidsramme: Fem år
|
Bestem oddsene for at teste positiv i en negativ population.
|
Fem år
|
|
Modtagerens funktionskarakteristikkurve
Tidsramme: Fem år
|
ROC-kurven er en kurve baseret på en række forskellige dikotome klassifikationer (afskæringsværdier eller beslutningstærskler), med frekvensen af sande positive (sensitivitet) som den vertikale koordinat og frekvensen af falske positiver (1-specificitet) som vandrette koordinater.
|
Fem år
|
|
Areal under roc Kurve
Tidsramme: Fem år
|
AUC er defineret som arealet under ROC-kurven omgivet af akserne, og jo tættere AUC er på 1,0, jo mere autentisk er analysen.
|
Fem år
|
Samarbejdspartnere og efterforskere
Publikationer og nyttige links
Generelle publikationer
- Belkacemi Y, Bousquet G, Marsiglia H, Ray-Coquard I, Magne N, Malard Y, Lacroix M, Gutierrez C, Senkus E, Christie D, Drumea K, Lagneau E, Kadish SP, Scandolaro L, Azria D, Ozsahin M. Phyllodes tumor of the breast. Int J Radiat Oncol Biol Phys. 2008 Feb 1;70(2):492-500. doi: 10.1016/j.ijrobp.2007.06.059. Epub 2007 Oct 10.
- Mishra SP, Tiwary SK, Mishra M, Khanna AK. Phyllodes tumor of breast: a review article. ISRN Surg. 2013;2013:361469. doi: 10.1155/2013/361469. Epub 2013 Mar 20.
- Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A. Artificial intelligence in digital pathology - new tools for diagnosis and precision oncology. Nat Rev Clin Oncol. 2019 Nov;16(11):703-715. doi: 10.1038/s41571-019-0252-y. Epub 2019 Aug 9.
- van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology: the path to the clinic. Nat Med. 2021 May;27(5):775-784. doi: 10.1038/s41591-021-01343-4. Epub 2021 May 14.
- Wang Y, Acs B, Robertson S, Liu B, Solorzano L, Wahlby C, Hartman J, Rantalainen M. Improved breast cancer histological grading using deep learning. Ann Oncol. 2022 Jan;33(1):89-98. doi: 10.1016/j.annonc.2021.09.007. Epub 2021 Sep 29.
- Chow ZL, Thike AA, Li HH, Nasir NDM, Yeong JPS, Tan PH. Counting Mitoses With Digital Pathology in Breast Phyllodes Tumors. Arch Pathol Lab Med. 2020 Nov 1;144(11):1397-1400. doi: 10.5858/arpa.2019-0435-OA.
- Cheng CL, Md Nasir ND, Ng GJZ, Chua KWJ, Li Y, Rodrigues J, Thike AA, Heng SY, Koh VCY, Lim JX, Hiew VJN, Shi R, Tan BY, Tay TKY, Ravi S, Ng KH, Oh KSL, Tan PH. Artificial intelligence modelling in differentiating core biopsies of fibroadenoma from phyllodes tumor. Lab Invest. 2022 Mar;102(3):245-252. doi: 10.1038/s41374-021-00689-0. Epub 2021 Nov 24.
- Kates-Harbeck J, Svyatkovskiy A, Tang W. Predicting disruptive instabilities in controlled fusion plasmas through deep learning. Nature. 2019 Apr;568(7753):526-531. doi: 10.1038/s41586-019-1116-4. Epub 2019 Apr 17.
- Gong C, Nie Y, Qu S, Liao JY, Cui X, Yao H, Zeng Y, Su F, Song E, Liu Q. miR-21 induces myofibroblast differentiation and promotes the malignant progression of breast phyllodes tumors. Cancer Res. 2014 Aug 15;74(16):4341-52. doi: 10.1158/0008-5472.CAN-14-0125. Epub 2014 Jun 30.
- Nie Y, Chen J, Huang D, Yao Y, Chen J, Ding L, Zeng J, Su S, Chao X, Su F, Yao H, Hu H, Song E. Tumor-Associated Macrophages Promote Malignant Progression of Breast Phyllodes Tumors by Inducing Myofibroblast Differentiation. Cancer Res. 2017 Jul 1;77(13):3605-3618. doi: 10.1158/0008-5472.CAN-16-2709. Epub 2017 May 16.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Anslået)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- SYSKY-2023-351-02
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .
Kliniske forsøg med billeddannelse
-
Hainan People's HospitalIkke rekrutterer endnuXerostomi, strålingsinduceret parotisskade, forudsigelig værdi, hoved- og nakkekræft
-
Hainan Medical CollegeIkke rekrutterer endnuNasopharyngeal karcinom, Xerostomi, Radioterapi
-
Medical Centre LeeuwardenUniversity of Groningen; LIMIS DevelopmentRekruttering
-
Chinese PLA General HospitalUkendt
-
Gentuity, LLCRekruttering
-
Medical Centre LeeuwardenUniversity of Groningen; LIMIS DevelopmentRekruttering
-
University Hospital, CaenIkke rekrutterer endnu
-
University of Texas Southwestern Medical CenterRekruttering
-
Massachusetts General HospitalAfsluttetHudlæsion | Pigmenterede læsioner | Pigmenteret hudlæsion | Pigmenterede muldvarpeForenede Stater
-
University of California, IrvineBeckman Laser Institute University of California IrvineAfsluttet