PET/CT-baseret billedanalyse og maskinindlæring af hypermetabolske lungelæsioner
22. juli 2025 opdateret af: Hu Jiajia, Ruijin Hospital
PET/CT billeddannelsesbaseret skelnen mellem pulmonal lymfom og andre hypermetaboliske læsioner via billeddiagnostiske manifestationer og maskinlæringsteknikker: en multicenter retrospektiv undersøgelse
Først analyserer vi typerne, billeddiagnostiske fund og relevante behandlingsresponser baseret på PET/CT for at fuldende et mere omfattende overblik over pulmonale lymfomer.
Derefter vil nogle modeller baseret på radiomikrofoner blive udviklet for at verificere muligheden for at differentiere pulmonale lymfomer via maskinlæring og udvikle en multi-klasse klassifikationsmodel.
Det endelige mål med denne undersøgelse er at udvikle et sæt af dyb læringsmodeller til foreløbig segmentering af lungelæsioner og multi-klasse klassificering. Modellerne vil klassificere FDG-ivrige lungelæsioner i fire grupper, hver defineret af deres patologiske oprindelse, primære terapi og relevante kliniske afdeling.
Studieoversigt
Status
Afsluttet
Intervention / Behandling
Detaljeret beskrivelse
- Den lokale billedfunktionsudtrækningssoftware (LIFEx, v 7.4.0, Frankrig) blev ansat til billedgennemgang og måling af relevante data. Tre observatører fortolkede billederne uafhængigt. I tilfælde af uenighed fik udtalelsen fra en overlæge med over ti års erfaring forrang. Billeddiagnostiske fund blev registreret baseret på baseline-undersøgelserne. Antal læsioner, placeringer og beskrivende etiketter blev systematisk logget i overensstemmelse med de normer, der er angivet i billeddannelsesrapporten. Den statistiske software SPSS (v26.0) blev brugt til datasortering og beregning. Chi-square test blev brugt til at sammenligne SPL og PPL baseret på kategoriske variabler som CT-fund, mens T-test blev brugt til at vurdere kontinuerlige variabler som glykæmi og SUV. I betragtning af overvægten af kategoriske variabler blev chi-kvadrat eller Fishers eksakte test (for prøver <40 eller >20 % celler med <5 forventede tællinger) brugt til at vurdere behandlingsrespons og billeddannelsesydelse. Spearmans korrelationskoefficient blev brugt til at analysere forholdet mellem kategoriske og SUV-baserede kontinuerlige variable.
- I denne undersøgelse blev det metaboliske tumorvolumen ved en relativ tærskel på 40% (MTV40%) valgt som volumen af interesse (VOI) til billedanalyse. Til funktionsudvinding brugte vi det Python (v3.11.7)-baserede radiomik-funktionsudtræksværktøjssæt PyRadiomics (v3.1.0), sammen med det medicinske billedbehandlingsbibliotek SimpleITK (v2.3.1), det numeriske beregnings- og datamanipulationsbibliotek Numpy (v1.26.2) og wavelet-transformationsbiblioteket PyWavelet (v1.5.0). Funktionsvalg blev udført ved hjælp af RStudio (v.2023.12.0+369) baseret på R-programmeringssproget (v4.2.0). For at sikre beregningseffektivitet og undgå overtilpasning blev antallet af bibeholdte funktioner begrænset til 10 % eller mindre af antallet af læsioner i træningssættet. Modelanalyse og validering blev primært også udført ved hjælp af RStudio.
- Deep learning-studiet opdeler opgaven med at identificere og klassificere hypermetaboliske lungelæsioner i to faser: segmentering og klassificering. I segmenteringsfasen brugte vi først open source 2D-modellen Lungmask til automatisk at beskære lungeregionen fra PET/CT-billeder af hele kroppen, hvilket sikrede, at efterfølgende behandling er fokuseret på lungeområdet. Dernæst udviklede vi en 3D UNet-model med resterende moduler, der er specielt designet til at segmentere hypermetaboliske lungelæsioner. Denne model tager de beskårede PET/CT-billeder som input, udtrækker effektivt læsionsinformation fra de tredimensionelle billeder og segmenterer de hypermetaboliske lungelæsionsområder nøjagtigt. Modellen blev derefter anvendt på både interne testsæt og eksterne valideringssæt til inferens, hvilket resulterede i udvinding af læsionsholdige ROI'er.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
647
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Denne retrospektive undersøgelse indskrev patienter, der gennemgik PET/CT-undersøgelser på Nuklearmedicinsk afdeling fra januar 2015 til februar 2024 i 5 institutioner: Ruijin Hospital, Proton Center of Ruijin North Hospital, Shanghai Pulmonary Hospital, Lu'an People's Hospital i Anhui-provinsen og Tilknyttet hospital ved Nanjing University of Traditional Chinese Medicine.
Beskrivelse
Inklusionskriterier:
- Voksne patienter (≥18 år);
- Primært eller tilbagevendende lymfom, ≥6 måneder fra sidste behandling; primær lungekræftpatienter uden forudgående malignitet;
- Godartede faste lungelæsioner uden forudgående malignitet;
- Lungemetastaser, ubehandlet med lungestrålebehandling eller partikelimplantation;
- Baseline vurdering afslører PET-positive pulmonale læsioner.
- Patologiske resultater inden for 3 måneder efter undersøgelsesdato, bekræftede lungelæsionstyper via trakeoskopi, lungepunktur eller kirurgi.
- Baseline pulmonale læsioner, der forbliver anset for at være pulmonal lymfom (eller metastaser) baseret på opfølgende klinisk og billeddiagnostisk evaluering.
Eksklusionskriterier:
- Dårlig billedkvalitet;
- Manglende evne til at afgrænse grænserne for lungelæsioner på CT-billeder;
- Artefakter forårsaget af nærliggende enheder såsom stenter eller drænrør.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Lungelymfom
(1) Voksne patienter (≥18 år).
(2) Patienter med primært eller recidiverende lymfom, ≥6 måneder fra sidste behandling.
(3) Baselinevurdering på hospitalet afslørede PET-positive lungelæsioner, CT-målt maksimal diameter ≥3 mm, synlig på tværs af ≥2 billedlag.
(4) Patologiske resultater inden for 3 måneder efter undersøgelsesdatoen, bekræftede lungelæsionstyper via trakeoskopi, lungepunktur eller kirurgi.
Eller baseline pulmonale læsioner af lymfom diagnosticeret ved lymfeknude og ekstern lungepunktur, anses fortsat for at være pulmonal lymfom baseret på opfølgende klinisk og billeddiagnostisk evaluering.
|
Observer de medicinske billeder via arbejdsstation eller lokal billedanalysesoftware
Udtrækning af billedfunktion via radiomik eller deep learning-metoder
|
|
Lungekræft
(1) Voksne patienter (≥18 år).
(2) Patienter med primær lungecancerpatienter uden forudgående malignitet (3) Baselinevurdering på hospitalet afslørede PET-positive lungelæsioner, CT-målt maksimal diameter ≥3 mm, synlig på tværs af ≥2 billedlag.
(4) Patologiske resultater inden for 3 måneder efter undersøgelsesdatoen, bekræftede lungelæsionstyper via trakeoskopi, lungepunktur eller kirurgi.
|
Observer de medicinske billeder via arbejdsstation eller lokal billedanalysesoftware
Udtrækning af billedfunktion via radiomik eller deep learning-metoder
|
|
Godartet
(1) Voksne patienter (≥18 år).
(2) Patienter med godartede solide lungelæsioner uden forudgående malignitet.
(3) Baselinevurdering på hospitalet afslørede PET-positive lungelæsioner, CT-målt maksimal diameter ≥3 mm, synlig på tværs af ≥2 billedlag.
(4) Patologiske resultater inden for 3 måneder efter undersøgelsesdatoen, bekræftede lungelæsionstyper via trakeoskopi, lungepunktur eller kirurgi.
|
Observer de medicinske billeder via arbejdsstation eller lokal billedanalysesoftware
Udtrækning af billedfunktion via radiomik eller deep learning-metoder
|
|
Metastase
(1) Voksne patienter (≥18 år).
(2) Lungemetastaserende patienter, ubehandlet med lungestrålebehandling eller partikelimplantation.
(3) Baselinevurdering på hospitalet afslørede PET-positive lungelæsioner, CT-målt maksimal diameter ≥3 mm, synlig på tværs af ≥2 billedlag.
(4) Patologiske resultater inden for 3 måneder efter undersøgelsesdatoen, bekræftede lungelæsionstyper via trakeoskopi, lungepunktur eller kirurgi.
Eller baseline pulmonale læsioner af metastaser diagnosticeret ved lymfeknuder og ekstern lungepunktur, anses fortsat for at være lungemetastaser baseret på opfølgende klinisk og billeddiagnostisk evaluering.
|
Observer de medicinske billeder via arbejdsstation eller lokal billedanalysesoftware
Udtrækning af billedfunktion via radiomik eller deep learning-metoder
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Billeddannelse/radiomik/dyb læringsfunktioner i 18F-FDG PET/CT-billede
Tidsramme: Baseline
|
Baseline
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Segmenteringsmodellens effektivitet
Tidsramme: umiddelbart efter udvikling og test af modeller
|
Effektiviteten af segmenteringsmodellen evalueres ved påvisningshastigheden af læsioner og terningernes lighedskoefficient (2(A∩B)/(A+B), A=segmenteret voxelvolumen, B=grundsandhedsvolumen), som begge beskriver nøjagtighed af opdeling af læsionen og baggrunden.
|
umiddelbart efter udvikling og test af modeller
|
|
Klassifikationsmodellens effektivitet
Tidsramme: umiddelbart efter udvikling og test af modeller
|
Klassifikationsmodellen evalueres ved nøjagtigheden [(TP+TN)/(TP+FP+TN+FN)], præcision [TP/(TP+FP)], genkald [TP/(TP+FN)], F1- score [2*præcision*tilbagekaldelse/(præcision+genkaldelse)], som alle beskriver forholdet mellem korrekt eller forkert klassificerede læsioner af prøverne fra forskellige aspekter.
Mens modtagerens driftskarakteristik (ROC) kurve kan illustrere dette mere visuellt.
Area under the curve (AUC) beregnede andelen af arealet under ROC-kurven, der spænder fra 0 til 1, hvilket repræsenterer den samlede effektivitet af klassificering i hver gruppe.
|
umiddelbart efter udvikling og test af modeller
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
1. april 2024
Primær færdiggørelse (Faktiske)
20. juli 2024
Studieafslutning (Faktiske)
30. april 2025
Datoer for studieregistrering
Først indsendt
11. september 2024
Først indsendt, der opfyldte QC-kriterier
17. september 2024
Først opslået (Faktiske)
19. september 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
23. juli 2025
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
22. juli 2025
Sidst verificeret
1. juli 2025
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- RuijinH 2024-70
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
produkt fremstillet i og eksporteret fra U.S.A.
Ingen
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 Observer de medicinske billeder
-
Ya-Wei XuWest China Hospital; Ruijin Hospital; Shanghai Ninth People's Hospital Affiliated... og andre samarbejdspartnereUkendtSlag | Ikke-valvulær atrieflimren
-
Indiana UniversityTrukket tilbage
-
Assiut UniversityUkendt