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

Avanceret klassificering af tyktumstumorer fra CT-scanninger ved hjælp af deep learning til optimeret behandlingsbeslutningstagning. (DeepColScan)

6. februar 2026 opdateret af: Assistance Publique - Hôpitaux de Paris

Avanceret Klassificering af Tyktumstumorer Fra CT-scanninger Ved Brug af Deep Learning Til Optimering af Behandlingsbeslutninger: En Multicenterstudie

Dette studie sigter mod at forbedre klassificeringen af tyktumstumorer ved hjælp af dyb læringsmodeller, der er trænet på CT-scanninger, specifikt for at skelne mellem T1-T2 vs. T3-T4 stadier og N- vs. N+ lymfeknudeinvolvering. Denne klassificering er afgørende for at vejlede præoperativ behandling såsom kemoterapi eller immunterapi. Med tanke på den begrænsede nøjagtighed af radiologer i nuværende stadieinddeling, kunne automatiske billedbaserede AI-værktøjer forbedre diagnostisk præcision og reproducerbarhed, hvilket fører til mere personlig og effektiv behandlingsplanlægning. Forskeren vil udvikle og validere konvolutionelle og transformer-baserede dyb læringsmodeller ved hjælp af et stort annoteret datasæt fra flere centre. Sekundære mål omfatter fininddeling af stadier (T1 til T4), undergruppespecifikke modeller (MSS vs MSI) og prædiktive modeller for kirurgisk

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Detaljeret beskrivelse

Dette er en retrospektiv, ikke-interventionel, observationsstudie, der evaluerer brugen af dyb læringsmetoder til at forbedre den præoperative CT-baserede TNM-stadiering hos patienter med tyktarmskræft. Studiet udføres på tværs af flere steder inden for AP-HP-hospitalets netværk (Paris, Frankrig) og bruger data udtrukket fra det institutionelle sundhedsdatawarehouse.

Radiologisk nøjagtighed ved vurdering af tumorstadium (T) og lymfeknodestatus (N) forbliver begrænset, på trods af at den er afgørende for valg af neoadjuvant behandling. Kunstig intelligens-modeller, der er trænet på annoterede billeddata, kan give en mere konsistent, reproducerbar og præcis klassifikation.

Studiekohorten inkluderer voksne patienter, der gennemgik tyktarmsresektion mellem januar 2017 og november 2024, med en præoperativ CT-scanning og en tilsvarende patologirapport. Berettigede tilfælde identificeres ved hjælp af standardiserede diagnostiske (ICD-10) og proceduremæssige (CCAM) koder. Billed- og kliniske data anonymiseres før analyse.

Flere AI-modelarkitekturer vil blive testet, herunder 3D konvolutionelle neurale netværk og transformer-baserede tilgange. CT-scanninger vil blive forbehandlet ved hjælp af standardpipelines; patologimærkater vil blive udtrukket ved hjælp af naturlig sprogbehandling (NLP) teknikker eller manuel gennemgang, når det er nødvendigt. Modelydelse vil blive vurderet gennem krydsvalidering og evalueret ved hjælp af AUC, F1-score, følsomhed og specificitet.

Udforskende analyser vil inkludere finkornet tumorstadiering og den potentielle prognostiske værdi af billedbaserede træk for kliniske resultater såsom overlevelse.

Ingen studie-relaterede procedurer udføres. Alle analyser udføres på eksisterende data i overensstemmelse med franske databeskyttelses- og etiske regler.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

1000

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

  • Frankrig
      • Paris, Frankrig, 75012
        • Departement of radiology, saint Antoin Hospital

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

Voksne (≥18 år) med patologisk bekræftet tyktarmskræft, som har gennemgået kirurgisk fjernelse på deltagende hospitaler og har en tilgængelig præoperativ thorako-abdominopelvisk CT-scanning udført på institutionen, og som er knyttet til en patologirapport med TNM-stadieinddeling inden for 90 dage efter operationen. Billeddannelse og rapporter udtrukket fra institutionens datawarehouse; tvetydige eller manglende etiketter afklaret ved manuel medicinsk gennemgang.

Beskrivelse

Inklusionskriterier:

Voksne, der har gennemgået colonresektionskirurgi på et AP-HP-hospital mellem 01/01/2017 og 01/11/2024, med:

En præoperativ abdominopelvisk CT-scan tilgængelig inden for 60 dage før operationen.

En tilhørende patologirapport (anatomopatologiske resultater) tilgængelig inden for 90 dage efter operationen.

Colonresektion identificeret ved CCAM-procedurekoder:

HHFA002, HHFA004, HHFA005, HHFA006, HHFA008, HHFA009, HHFA010, HHFA014, HHFA017, HHFA018, HHFA021, HHFA022, HHFA023, HHFA024, HHFA026, HHFA028, HHFA029, HHFA030, HHFA031, HHFC040, HHFC296.

Bekræftet diagnose af colontumor ved ICD-10-kode:

C18* (kolonneopløsninger).

Eksklusionskriterier:

Patienter, der har modtaget neoadjuvant kemoterapi før operationen, identificeret ved ICD-10-koder Z511 eller Z512 registreret før den kirurgiske handling.

Disse udelukkelser vil blive forfinet og bekræftet gennem manuel gennemgang af patientjournaler for at sikre nøjagtighed.

Fravær af brugbar CT-billeddannelse eller anatomisk patologidata knyttet til den kirurgiske hændelse.

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
Valideringsgruppe for Tran

Voksne med patologisk bekræftet tyktarmskræft, som gennemgik præoperativ thorako-abdominopelvic CT og efterfølgende kolektomi på deltagende centre; tilfælde, der opfylder billed- og patologikvalitetskriterier, anvendt til modeltræning og intern krydsvalidering.

AI / Deep Learning CT-analyse:

Retrospektiv analyse af eksisterende præoperative CT-scanninger og tilknyttede patologi/kliniske data for at udvikle og evaluere automatiserede stadieinddelingsmodeller. Ingen eksperimentel medicin, apparat eller procedure administreres.
Testgruppe
Distinkt undergruppe (tilfældigt udvalgt ved starten af modeltræningen) af kvalificerede tyktarmskræfttilfælde, som holdes tilbage fra modeludviklingen for at give uafhængig validering af præstationen for T- og N-klassifikationsmodeller samt udforskende sekundære analyser.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Diagnostisk ydeevne af CT-baserede dybdelæringsmodeller for T (T1-2 vs T3-4) og N (N- vs N+) stadieinddeling.
Tidsramme: Indeks præoperativ CT til postoperativ patologirapport (inden for 90 dage efter operationen).
Arealet under ROC-kurven (AUC) og F1-score for deep learning-modeller i (a) klassificering af tidlig vs. avanceret T-stadie (T1-2 vs T3-4) og (b) nodal status (N- vs N+) sammenlignet med patologisk guldstandard.
Følsomhed, specificitet, PPV, NPV rapporteret som støttemålinger; modelydelse sammenlignet med historiske radiologbenchmarks, når tilgængelige.
Indeks præoperativ CT til postoperativ patologirapport (inden for 90 dage efter operationen).

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Detektionsydelse for T4-tumorer på præoperativ CT.
Tidsramme: Indeks CT til patologibekræftelse (≤90 dage efter operation).
AUC, F1, følsomhed, specificitet for binær klassifikation T4 vs ikke-T4 (T1-3). Analyser stratificeret efter tumorplacering og kontrastfase, når data tillader det.
Indeks CT til patologibekræftelse (≤90 dage efter operation).
Multiklasse T-stadie klassificeringsnøjagtighed (T1, T2, T3, T4).
Tidsramme: Indeks CT til patologibekræftelse (≤90 dage).
Makro-gennemsnitlig F1, klassevis følsomhed/specificitet, forvirringsmatrix og Cohens kappa, der sammenligner modelforudsagt 4-klasse T-stadie med patologi.
Indeks CT til patologibekræftelse (≤90 dage).
Prognostisk værdi af CT-afledte modelfunktioner for kliniske resultater og overlevelse.
Tidsramme: Fra indeks CT til sidste opfølgning (op til 5 år, eller maksimal tilgængelig opfølgning i EHR).
Sammenhæng mellem modeloutputs (sandsynligheder, indlejringer) og (a) overlevelse i alt, (b) sygdomsfri overlevelse. Evalueret ved hjælp af Kaplan-Meier-analyse, log-rank-tests og multivariable Cox-modeller justeret for kliniske kovariater, hvor tilgængelige.
Fra indeks CT til sidste opfølgning (op til 5 år, eller maksimal tilgængelig opfølgning i EHR).

Samarbejdspartnere og efterforskere

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

Sponsor

Assistance Publique - Hôpitaux de Paris

Samarbejdspartnere

Institut National de Recherche en Informatique et en Automatique

Efterforskere

  • Ledende efterforsker: Quentin Vanderbecq, MD, Assistance Publique - Hopitaux de Paris

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. februar 2026

Primær færdiggørelse (Anslået)

1. februar 2028

Studieafslutning (Anslået)

1. februar 2028

Datoer for studieregistrering

Først indsendt

6. februar 2026

Først indsendt, der opfyldte QC-kriterier

6. februar 2026

Først opslået (Faktiske)

12. februar 2026

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

12. februar 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

6. februar 2026

Sidst verificeret

1. februar 2025

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • APHP251408

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 Colon neoplasma

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Moldova

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner