Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

CT-basierte Radiomics und Deep-Learning-Modelle zur Vorhersage der Invasion des Schildknorpels und der Patientenprognose bei Kehlkopfkarzinomen

20. August 2024 aktualisiert von: xinwei Chen, First Affiliated Hospital of Chongqing Medical University

CT-basierte Radiomics, zweidimensionale und dreidimensionale Deep-Learning-Modelle zur Vorhersage der Invasion des Schildknorpels und der Patientenprognose bei Kehlkopfkarzinomen: eine multizentrische Studie

Ziel dieser retrospektiven Studie war es, ein CT-basiertes Radiomics-Modell, ein 2D-Deep-Learning-Modell und ein 3D-Deep-Learning-Modell zu entwickeln und zu verifizieren, um die Invasion des Schildknorpels bei Patienten mit Kehlkopfkrebs präoperativ vorherzusagen und so eine genauere Diagnose- und Behandlungsgrundlage für Ärzte bereitzustellen. Und die Leistung der oben genannten Modelle wurde mit zwei Radiologen verglichen. Darüber hinaus untersuchten die Forscher die Vorhersage der Überlebensergebnisse von Patienten durch die oben genannten optimalen Modelle.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Das Larynx-Plattenepithelkarzinom (LSCC) ist als einer der häufigsten Kopf-Hals-Tumoren die achthäufigste krebsbedingte Todesursache weltweit. Die Behandlungsentscheidungen haben tiefgreifende Auswirkungen sowohl auf die Tumorkontrolle als auch auf die funktionelle Prognose von LSCC-Patienten. Und diese Entscheidungen basieren in erster Linie auf dem Tumorstadium, wobei die Invasion des Schildknorpels eine entscheidende Rolle spielt. Folglich weist das Vorliegen einer Invasion des Schildknorpels auf eine Diagnose im fortgeschrittenen Stadium (T3 oder T4) bei LSCC-Patienten hin. Bei Patienten ohne Invasion des Schildknorpels kann eine partielle Laryngektomie in Betracht gezogen werden, um die Kehlkopffunktion zu erhalten. Bei Patienten mit fortgeschrittenem Kehlkopfkarzinom und einer Invasion des Schildknorpels, die über den Kehlkopf hinausgeht, ist jedoch häufig eine vollständige Laryngektomie erforderlich, um den Tumor vollständig zu entfernen und die Überlebenszeit zu verlängern. Daher ist eine genaue Beurteilung der Schildknorpelinvasion für die Behandlungsentscheidung und Prognosebewertung für LSCC-Patienten von entscheidender Bedeutung. In jüngster Zeit wird künstliche Intelligenz in Form von maschinellem Lernen und Deep Learning (DL) in großem Umfang in der medizinischen Bildgebung eingesetzt. Radiomics, eine herausragende Rolle im maschinellen Lernen, kann hochdimensionale Merkmalsdaten extrahieren und quantitativ wertvolle Informationen für das Tumorstadium und die Prognose liefern. Darüber hinaus kann DL Unterscheidungsmerkmale durch eine End-to-End-Methode automatisch erfassen und lernen, um eine genaue Vorhersage zu ermöglichen. Insgesamt waren die Ziele dieser multizentrischen Studie die Entwicklung und Validierung eines Radiomics-Modells, eines 2D-DL-Modells und eines 3D-DL-Modells auf der Grundlage der CT-Bilder der venösen Phase und der Vergleich der Leistung dieser Modelle mit der von zwei Radiologen bei der Vorhersage von Schildknorpel Invasion. Darüber hinaus untersuchten die Forscher den prognostischen Wert des optimal vorhergesagten Modells der Schildknorpelinvasion.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

400

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • China
      • Chongqing, China
        • Rekrutierung
        • The First Affiliated Hospital of Chongqing Medical University
        • Kontakt:

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Die Forscher sammelten Patienten mit Kehlkopfkarzinom aus zwei Zentren. Patienten aus Zentrum 1 wurden zufällig im Verhältnis 7:3 in die Trainingskohorte und die interne Validierungskohorte aufgeteilt. Zusätzlich wurden Patienten aus Zentrum 2 als externe Validierungskohorte aufgenommen.

Beschreibung

Einschlusskriterien:

  1. Verfügbarkeit vollständiger klinischer Daten
  2. Chirurgisch oder bioptisch gesicherte Diagnose eines Plattenepithelkarzinoms des Kehlkopfes
  3. CT-Untersuchung innerhalb von 2 Wochen vor der Operation durchgeführt

Ausschlusskriterien:

  1. Patienten, die präoperativ eine Chemotherapie oder Strahlentherapie erhielten
  2. CT-Bilder mit erheblichen Artefakten
  3. Patienten mit Tumorrezidiven
  4. Patienten mit einem maximalen Tumordurchmesser von weniger als 5 mm

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Ausbildungskohorte
Keine Eingriffe
Sonstiges: KI

Radiomics extrahiert quantitative Informationen aus medizinischen Bildern, um hochdimensionale Merkmalsvektoren für die Analyse zu generieren. Ziel ist es, Erkenntnisse über Krankheitsprozesse zu gewinnen und die Diagnose zu verbessern.

Deep Learning nutzt neuronale Netze mit mehreren Schichten, um komplexe Muster aus Daten zu lernen. In der medizinischen Bildgebung ermöglicht es eine genaue und effiziente Analyse zur Erkennung und Diagnose von Krankheiten.

Andere Namen:
  • Radiomics
  • tiefes Lernen
interne Validierungskohorte
Keine Eingriffe
Sonstiges: KI

Radiomics extrahiert quantitative Informationen aus medizinischen Bildern, um hochdimensionale Merkmalsvektoren für die Analyse zu generieren. Ziel ist es, Erkenntnisse über Krankheitsprozesse zu gewinnen und die Diagnose zu verbessern.

Deep Learning nutzt neuronale Netze mit mehreren Schichten, um komplexe Muster aus Daten zu lernen. In der medizinischen Bildgebung ermöglicht es eine genaue und effiziente Analyse zur Erkennung und Diagnose von Krankheiten.

Andere Namen:
  • Radiomics
  • tiefes Lernen
externe Validierungskohorte
Keine Eingriffe
Sonstiges: KI

Radiomics extrahiert quantitative Informationen aus medizinischen Bildern, um hochdimensionale Merkmalsvektoren für die Analyse zu generieren. Ziel ist es, Erkenntnisse über Krankheitsprozesse zu gewinnen und die Diagnose zu verbessern.

Deep Learning nutzt neuronale Netze mit mehreren Schichten, um komplexe Muster aus Daten zu lernen. In der medizinischen Bildgebung ermöglicht es eine genaue und effiziente Analyse zur Erkennung und Diagnose von Krankheiten.

Andere Namen:
  • Radiomics
  • tiefes Lernen

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Fläche unter der Kurve, AUC
Zeitfenster: Bis zum Studienabschluss vergehen durchschnittlich 6 Monate
Die Fläche unter der Kurve (AUC) ist eine Metrik, die im maschinellen Lernen und in der medizinischen Forschung häufig verwendet wird, um die Leistung von Modellen bei binären Klassifizierungsproblemen zu bewerten. Es spiegelt die Fähigkeit eines Modells wider, echte Positive zu identifizieren (True Positives) und gleichzeitig zu vermeiden, dass negative Beispiele fälschlicherweise als positiv klassifiziert werden (False Positives).
Bis zum Studienabschluss vergehen durchschnittlich 6 Monate

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Krankheitsfreies Überleben, DFS
Zeitfenster: Das Datum der Operation und das Auftreten von Ereignissen wie Krankheitsprogression, Datum der letzten Nachuntersuchung oder Tod aus irgendeinem Grund, und die Nachbeobachtungszeit betrug mindestens 3 Jahre
Das krankheitsfreie Überleben (Disease Free Survival, DFS) bezieht sich auf die Zeit vom Beginn der Randomisierung (normalerweise der Startpunkt einer klinischen Studie) bis zum Wiederauftreten der Krankheit oder dem Tod des Patienten aufgrund des Fortschreitens der Krankheit. DFS ist ein wichtiger klinischer und statistischer Indikator zur Bewertung der langfristigen Auswirkungen einer Krebsbehandlung.
Das Datum der Operation und das Auftreten von Ereignissen wie Krankheitsprogression, Datum der letzten Nachuntersuchung oder Tod aus irgendeinem Grund, und die Nachbeobachtungszeit betrug mindestens 3 Jahre

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

First Affiliated Hospital of Chongqing Medical University

Mitarbeiter

Nankai University

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

13. August 2023

Primärer Abschluss (Geschätzt)

13. September 2024

Studienabschluss (Geschätzt)

13. Oktober 2024

Studienanmeldedaten

Zuerst eingereicht

12. Juni 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

17. Juni 2024

Zuerst gepostet (Tatsächlich)

18. Juni 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

22. August 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

20. August 2024

Zuletzt verifiziert

1. August 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 2024-Chenx

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Beschreibung des IPD-Plans

Die klinischen Daten werden manuell aus dem klinischen Fallsystem erfasst; die CT-Bilddaten werden aus dem PACS-System exportiert und anonym auf einer separaten Datenplatte gespeichert; und das Bildmaterial wird gesammelt und anonym auf einer separaten Datenplatte gespeichert.

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Klinische Studien zur Larynxkarzinom

Klinische Studien zur KI

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Congo

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren