Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Multimodal Deep Learning til Lymfeknudemetastase i Skjoldbruskkirtelkræft

22. december 2025 opdateret af: Yu Feng, West China Hospital

Et multicenterstudie om udvikling af en multimodal deep learning-model baseret på farvedoppler-ultralyd til at forudsige lymfeknudemetastase og cancerstadium ved papillær thyroideacancer

Papillær skjoldbruskkirtelkræft (PTC) er den mest almindelige endokrine malignitet i klinisk praksis, som udgør omkring 85% af alle skjoldbruskkirtelmaligniteter. Forekomsten af cervikal lymfeknudemetastase øger yderligere risikoen for lokal tumorrecidiv og fjernmetastase, hvilket dermed reducerer patientens overlevelsesrater. Patologiske undersøgelser viser, at cirka 30-80% af PTC-patienter har lymfeknudemetastase. Tidlig opdagelse af metastatiske lymfeknuder og udvikling af individuelle behandlingsplaner er afgørende for at forbedre patientens prognose. I øjeblikket er den primære metode til diagnostik af lymfeknudemetastase ultralydsvejledt finnålsaspiration, men dens nøjagtighed er begrænset af prøvekvaliteten og indebærer en risiko for falsk-negative resultater. I de senere år har deep learning-teknologi vist betydeligt potentiale inden for medicinsk billedanalyse. Derfor har forskerne til formål at udvikle en deep learning-model baseret på halsultralyd for mere præcist at forudsige lymfeknudemetastase.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Anslået)

3200

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

  • Kina
    • Sichuan
      • Chengdu, Sichuan, Kina, 610041
        • West China Hospital of Sichuan University
        • Kontakt:
        • Kontakt:

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

Kliniske data fra patienter, der gennemgik thyreoidektomi på West China Hospital of Sichuan University og dets tilknyttede filialhospitaler mellem oktober 2020 og oktober 2025, blev retrospektivt indsamlet og analyseret.

Beskrivelse

Inklusionskriterier:

Patienter i alderen 18-80 år, der har gennemgået ultralydsundersøgelse af skjoldbruskkirtlen og postoperativ patologisk undersøgelse af skjoldbruskkirtlen.

Patienter med en første gangs diagnose af papillær skjoldbruskkirtelcancer. Patienter, der har gennemgået lymfeknudedissektion

Eksklusionskriterier:

Patienter i alderen <18 år eller >80 år. Patienter med ultralydsbilleder af dårlig kvalitet. Patienter med ufuldstændigt visualiserede knuder. Patienter med billeder, der viser flere distinkte læsioner. Patienter, der tilhører særlige populationer. Patienter med samtidige andre tumorer. Patienter med en tidligere resektion af skjoldbruskkirtelcancer

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
Papillær skjoldbruskkirtelcarcinom-gruppe
Andet: ikke intervention
Dette er en retrospektiv observationsundersøgelse, hvor deltagerne ikke vil gennemgå nogen interventioner, og kun dataindsamling og analyse vil blive udført på deltagerne.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Arealet under ROC-kurven for en multimodal deep learning-model baseret på cervical ultralyd i forudsigelse af lymfeknudemetastase
Tidsramme: Inden for 2 måneder efter afslutningen af forsøgspersonernes indtagelse
Forskeren vil anvende en multimodal deep learning-model, der integrerer præoperative cervikale farve-Doppler-ultralydsbilleder med tilsvarende struktureret tekstrapporter. Modellens endelige output er en forudsagt sandsynlighed for lymfeknudemetastase for hver patient (en kontinuerlig værdi mellem 0 og 1). Denne forudsagte sandsynlighed vil blive sammenlignet med postoperative histopatologiske diagnoseresultater (guldstandarden). En receiver operating characteristic-kurve vil blive tegnet for modellen, og dens areal under kurven vil blive beregnet. Dette er guldstandarden for evaluering af diskriminations evnen af en binær klassifikationsmodel (metastase vs. ikke-metastase). En højere AUC-værdi indikerer stærkere samlet diskriminations evne af modellen.
Inden for 2 måneder efter afslutningen af forsøgspersonernes indtagelse
Sensitiviteten af en multimodal dyb lærings-model baseret på cervical ultralyd til at forudsige lymfeknudemetastase
Tidsramme: Inden for 2 måneder efter afslutningen af forsøgspersonernes rekruttering.
Denne metrik har til formål at evaluere den konstruerede multimodal deep learning-models evne til korrekt at identificere patienter med papillært thyroidecarcinom, der faktisk har cervikal lymfeknudemetastase, under den optimale diagnostiske tærskel. Forskere skal indsamle antallet af patienter diagnosticeret med lymfeknudemetastase gennem postoperativ patologi samt antallet af patienter forudsagt som "positive" (dvs. forudsagt at have metastase) af modellen for at beregne sensitiviteten af den cervikal ultralydsbaserede multimodal deep learning-model i forudsigelse af lymfeknudemetastase. Beregningsformel: Sensitivitet = Antal sandt positive patienter / Samlet antal positive patienter bekræftet af postoperativ patologi.
Inden for 2 måneder efter afslutningen af forsøgspersonernes rekruttering.
Specificiteten af en multimodal deep learning-model baseret på cervical ultralyd til at forudsige lymfeknudemetastase
Tidsramme: Inden for 2 måneder efter afslutningen af deltagertilmeldingen.
Denne metrik har til formål at vurdere evnen hos den konstruerede multimodal deep learning-model til korrekt at udelukke patienter med papillært thyroidea-carcinom, som ikke har udviklet cervical lymfeknudemetastase, under den optimale diagnostiske tærskel. Forskere skal indsamle antallet af patienter diagnosticeret uden lymfeknudemetastase via postoperativ patologi, samt antallet af patienter forudsagt af modellen som "negative" (dvs. forudsagt at have ingen metastase), for at beregne specificiteten af den cervicale ultralydsbaserede multimodal deep learning-model i forudsigelse af lymfeknudemetastase. Beregningsformel: Specificitet = Antal sandt negative patienter / Samlet antal negative patienter bekræftet af postoperativ patologi.
Inden for 2 måneder efter afslutningen af deltagertilmeldingen.

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Den patologisk bekræftede metastaseringsrate i lymfeknuder i undersøgelseskohorten
Tidsramme: Inden for 2 måneder efter afslutningen af forsøgspersonernes indskrivning
Det refererer til procentdelen af patienter med mindst én metastatisk lymfeknude bekræftet ved postoperativ patologisk undersøgelse i forhold til det samlede antal personer i den tilsvarende undersøgelsespopulation. Forskere skal indsamle antallet af patienter diagnosticeret med lymfeknudemetastase gennem postoperativ patologisk undersøgelse.
Inden for 2 måneder efter afslutningen af forsøgspersonernes indskrivning
Justerede oddsforhold for kliniske faktorer forbundet med patologisk bekræftet lymfeknudemetastase
Tidsramme: Inden for 2 måneder efter gennemførelsen af deltagerrekrutteringen
Forskere skal indsamle udfaldsvariablen (dvs. postoperativt patologisk bekræftet lymfeknudemetastasestatus) og dens eksponeringsvariable (såsom den specifikke placering af den primære tumor i skjoldbruskkirtlen, maksimal tumordiameter, patientens alder osv.). Ved hjælp af disse variable beregnes de justerede odds ratioer for at afspejle, efter justering for andre forvirrende faktorer, hvor mange gange større sandsynlighed patienter med en specifik eksponeringskarakteristik (f.eks. tumor placeret i den øvre pol) har for at have lymfeknudemetastase sammenlignet med patienter i referencegruppen (f.eks. tumor placeret i den nedre pol).
Inden for 2 måneder efter gennemførelsen af deltagerrekrutteringen
Den vægtede Kappa-koefficient for konsistensen mellem model-forudsagt pTNM-stadie og patologisk stadie
Tidsramme: Inden for 2 måneder efter afslutningen af patientinddelingen
Forskere skal indsamle og registrere den model-forudsagte pTNM-stadie og patientens sande pTNM-stadie for at evaluere konsistensen mellem den model-forudsagte fuldstændige pTNM-stadie og patologistadiet.
Inden for 2 måneder efter afslutningen af patientinddelingen

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

West China Hospital

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 (Anslået)

1. januar 2026

Primær færdiggørelse (Anslået)

1. marts 2026

Studieafslutning (Anslået)

1. maj 2026

Datoer for studieregistrering

Først indsendt

9. december 2025

Først indsendt, der opfyldte QC-kriterier

22. december 2025

Først opslået (Faktiske)

23. december 2025

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

23. december 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

22. december 2025

Sidst verificeret

1. december 2025

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 2025(2352)

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

UBESLUTET

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

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 Papillært skjoldbruskkirtelcarcinom

Kliniske forsøg med ikke intervention

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Morocco

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner