PET/CT-basierte Bildanalyse und maschinelles Lernen hypermetabolischer Lungenläsionen
22. Juli 2025 aktualisiert von: Hu Jiajia, Ruijin Hospital
PET/CT-Bildgebungsbasierte Unterscheidung von Lungenlymphomen und anderen hypermetabolischen Läsionen mittels bildgebender Manifestationen und Techniken des maschinellen Lernens: eine multizentrische retrospektive Studie
Zunächst analysieren wir die Typen, bildgebenden Befunde und relevanten Behandlungsreaktionen auf der Grundlage von PET/CT, um einen umfassenderen Überblick über Lungenlymphome zu erhalten.
Anschließend werden einige auf Radiomics-Funktionen basierende Modelle entwickelt, um die Möglichkeit der Differenzierung von Lungenlymphomen durch maschinelles Lernen zu überprüfen und ein Klassifizierungsmodell mit mehreren Klassen zu entwickeln.
Das Endziel dieser Studie ist die Entwicklung einer Reihe von Deep-Learning-Modellen für die vorläufige Segmentierung von Lungenläsionen und die Klassifizierung mehrerer Klassen. Die Modelle werden FDG-avide Lungenläsionen in vier Gruppen einteilen, die jeweils durch ihren pathologischen Ursprung, ihre Primärtherapie und ihre relevante klinische Abteilung definiert sind.
Studienübersicht
Status
Abgeschlossen
Intervention / Behandlung
Detaillierte Beschreibung
- Die lokale Bildmerkmalsextraktionssoftware (LIFEx, Version 7.4.0, Frankreich) wurde für die Bildbegutachtung und Messung relevanter Daten eingesetzt. Drei Beobachter interpretierten die Bilder unabhängig voneinander. Bei Meinungsverschiedenheiten wurde der Meinung eines leitenden Arztes mit über einem Jahrzehnt Erfahrung Vorrang eingeräumt. Die bildgebenden Befunde wurden auf Basis der Basisuntersuchungen erfasst. Die Anzahl, Lage und Beschreibung der Läsionen wurde systematisch gemäß den im Bildgebungsbericht festgelegten Normen protokolliert. Zur Sortierung und Berechnung der Daten wurde die Statistiksoftware SPSS (v26.0) verwendet. Der Chi-Quadrat-Test wurde verwendet, um SPL und PPL basierend auf kategorialen Variablen wie CT-Befunden zu vergleichen, während der T-Test zur Bewertung kontinuierlicher Variablen wie Glykämie und SUV verwendet wurde. Aufgrund des Vorherrschens kategorialer Variablen wurde der Chi-Quadrat-Test oder der exakte Fisher-Test (für Proben <40 oder >20 % Zellen mit <5 erwarteten Zählungen) verwendet, um das Ansprechen auf die Behandlung und die Bildgebungsleistung zu beurteilen. Der Korrelationskoeffizient nach Spearman wurde verwendet, um die Beziehung zwischen kategorialen und SUV-basierten kontinuierlichen Variablen zu analysieren.
- In dieser Studie wurde das metabolische Tumorvolumen bei einem relativen Schwellenwert von 40 % (MTV40 %) als interessierendes Volumen (VOI) für die Bildanalyse ausgewählt. Für die Merkmalsextraktion verwendeten wir das auf Python (v3.11.7) basierende Radiomics-Toolkit zur Merkmalsextraktion PyRadiomics (v3.1.0). zusammen mit der medizinischen Bildverarbeitungsbibliothek SimpleITK (v2.3.1), der numerischen Berechnungs- und Datenmanipulationsbibliothek Numpy (v1.26.2) und der Wavelet-Transformationsbibliothek PyWavelet (v1.5.0). Die Funktionsauswahl wurde mit RStudio (v.2023.12.0+369) basierend auf der Programmiersprache R (v4.2.0) durchgeführt. Um die Recheneffizienz sicherzustellen und eine Überanpassung zu vermeiden, wurde die Anzahl der beibehaltenen Merkmale auf 10 % oder weniger der Anzahl der Läsionen im Trainingssatz begrenzt. Die Modellanalyse und -validierung wurde ebenfalls hauptsächlich mit RStudio durchgeführt.
- Die Deep-Learning-Studie unterteilt die Aufgabe der Identifizierung und Klassifizierung hypermetabolischer Lungenläsionen in zwei Phasen: Segmentierung und Klassifizierung. In der Segmentierungsphase verwendeten wir zunächst das Open-Source-2D-Modell Lungmask, um die Lungenregion automatisch aus Ganzkörper-PET/CT-Bildern auszuschneiden und so sicherzustellen, dass sich die nachfolgende Verarbeitung auf den Lungenbereich konzentriert. Als nächstes entwickelten wir ein 3D-UNet-Modell mit Restmodulen, das speziell für die Segmentierung hypermetabolischer Lungenläsionen entwickelt wurde. Dieses Modell verwendet die zugeschnittenen PET/CT-Bilder als Eingabe, extrahiert effizient Läsionsinformationen aus den dreidimensionalen Bildern und segmentiert die hypermetabolischen Lungenläsionsbereiche genau. Das Modell wurde dann zur Schlussfolgerung sowohl auf interne Testsätze als auch auf externe Validierungssätze angewendet, was zu Folgendem führte: die Extraktion von läsionshaltigen ROIs.
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
647
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Shanghai
-
Shanghai, Shanghai, China, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
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
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
In diese retrospektive Studie wurden Patienten aufgenommen, die sich von Januar 2015 bis Februar 2024 einer PET/CT-Untersuchung in der Abteilung für Nuklearmedizin in fünf Einrichtungen unterzogen hatten: dem Ruijin Hospital, dem Proton Center des Ruijin North Hospital, dem Shanghai Pulmonary Hospital, dem Lu'an People's Hospital der Provinz Anhui und dem Angegliedertes Krankenhaus der Universität für Traditionelle Chinesische Medizin Nanjing.
Beschreibung
Einschlusskriterien:
- Erwachsene Patienten (≥18 Jahre);
- Primäres oder rezidivierendes Lymphom, ≥6 Monate nach der letzten Behandlung; primäre Lungenkrebspatienten ohne vorherige bösartige Erkrankung;
- Gutartige solide Lungenläsionen ohne vorherige Malignität;
- Lungenmetastasen, unbehandelt mit Lungenstrahlentherapie oder Partikelimplantation;
- Die Ausgangsuntersuchung ergab PET-positive Lungenläsionen.
- Pathologische Ergebnisse innerhalb von 3 Monaten nach dem Untersuchungsdatum, bestätigte Arten von Lungenläsionen durch Tracheoskopie, Lungenpunktion oder Operation.
- Basierend auf der klinischen Nachuntersuchung und der bildgebenden Beurteilung wurden die Lungenläsionen zu Studienbeginn weiterhin als Lungenlymphom (oder Metastasen) betrachtet.
Ausschlusskriterien:
- Schlechte Bildqualität;
- Unfähigkeit, die Grenzen von Lungenläsionen auf CT-Bildern abzugrenzen;
- Artefakte, die durch in der Nähe befindliche Geräte wie Stents oder Drainageschläuche verursacht werden.
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 |
|---|---|
|
Lungenlymphom
(1) Erwachsene Patienten (≥18 Jahre).
(2) Patienten mit primärem oder rezidivierendem Lymphom, ≥6 Monate nach der letzten Behandlung.
(3) Die Ausgangsuntersuchung im Krankenhaus ergab PET-positive Lungenläsionen mit einem CT-gemessenen maximalen Durchmesser von ≥3 mm, sichtbar über ≥2 Bildebenen.
(4) Pathologische Ergebnisse innerhalb von 3 Monaten nach dem Untersuchungsdatum, bestätigte Arten von Lungenläsionen durch Tracheoskopie, Lungenpunktion oder Operation.
Oder pulmonale Lymphomläsionen, die zu Beginn durch Lymphknotenpunktion und externe Lungenpunktion diagnostiziert wurden, werden aufgrund der klinischen Nachuntersuchung und bildgebenden Beurteilung weiterhin als pulmonales Lymphom betrachtet.
|
Beobachten Sie die medizinischen Bilder über einen Arbeitsplatz oder eine lokale Bildanalysesoftware
Extrahieren von Bildmerkmalen mittels Radiomics oder Deep-Learning-Methoden
|
|
Lungenkrebs
(1) Erwachsene Patienten (≥18 Jahre).
(2) Patienten mit primärem Lungenkrebs ohne Vorerkrankung (3) Die Ausgangsuntersuchung im Krankenhaus ergab PET-positive Lungenläsionen, CT-gemessener maximaler Durchmesser ≥3 mm, sichtbar über ≥2 Bildebenen.
(4) Pathologische Ergebnisse innerhalb von 3 Monaten nach dem Untersuchungsdatum, bestätigte Arten von Lungenläsionen durch Tracheoskopie, Lungenpunktion oder Operation.
|
Beobachten Sie die medizinischen Bilder über einen Arbeitsplatz oder eine lokale Bildanalysesoftware
Extrahieren von Bildmerkmalen mittels Radiomics oder Deep-Learning-Methoden
|
|
Gutartig
(1) Erwachsene Patienten (≥18 Jahre).
(2) Patienten mit gutartigen soliden Lungenläsionen ohne vorherige bösartige Erkrankung.
(3) Die Ausgangsuntersuchung im Krankenhaus ergab PET-positive Lungenläsionen mit einem CT-gemessenen maximalen Durchmesser von ≥3 mm, sichtbar über ≥2 Bildebenen.
(4) Pathologische Ergebnisse innerhalb von 3 Monaten nach dem Untersuchungsdatum, bestätigte Arten von Lungenläsionen durch Tracheoskopie, Lungenpunktion oder Operation.
|
Beobachten Sie die medizinischen Bilder über einen Arbeitsplatz oder eine lokale Bildanalysesoftware
Extrahieren von Bildmerkmalen mittels Radiomics oder Deep-Learning-Methoden
|
|
Metastasierung
(1) Erwachsene Patienten (≥18 Jahre).
(2) Patienten mit Lungenmetastasen, die nicht mit Lungenstrahlentherapie oder Partikelimplantation behandelt wurden.
(3) Die Ausgangsuntersuchung im Krankenhaus ergab PET-positive Lungenläsionen mit einem CT-gemessenen maximalen Durchmesser von ≥3 mm, sichtbar über ≥2 Bildebenen.
(4) Pathologische Ergebnisse innerhalb von 3 Monaten nach dem Untersuchungsdatum, bestätigte Arten von Lungenläsionen durch Tracheoskopie, Lungenpunktion oder Operation.
Oder pulmonale Läsionen von Metastasen, die zu Beginn durch Lymphknotenpunktion und externe Lungenpunktion diagnostiziert wurden, werden aufgrund der klinischen Nachuntersuchung und bildgebenden Beurteilung weiterhin als pulmonale Metastasen betrachtet.
|
Beobachten Sie die medizinischen Bilder über einen Arbeitsplatz oder eine lokale Bildanalysesoftware
Extrahieren von Bildmerkmalen mittels Radiomics oder Deep-Learning-Methoden
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Zeitfenster |
|---|---|
|
Bildgebung/Radiomics/Deep-Learning-Funktionen des 18F-FDG-PET/CT-Bildes
Zeitfenster: Grundlinie
|
Grundlinie
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Effizienz des Segmentierungsmodells
Zeitfenster: unmittelbar nach der Entwicklung und Erprobung von Modellen
|
Die Wirksamkeit des Segmentierungsmodells wird anhand der Erkennungsrate von Läsionen und des Dice-Ähnlichkeitskoeffizienten (2(A∩B)/(A+B), A=segmentiertes Voxelvolumen, B=Ground-Truth-Volumen) bewertet, die beide das beschreiben Genauigkeit der Aufteilung der Läsion und des Hintergrunds.
|
unmittelbar nach der Entwicklung und Erprobung von Modellen
|
|
Effizienz des Klassifizierungsmodells
Zeitfenster: unmittelbar nach der Entwicklung und Erprobung von Modellen
|
Das Klassifizierungsmodell wird anhand der Genauigkeit [(TP+TN)/(TP+FP+TN+FN)], Präzision [TP/(TP+FP)], Rückruf [TP/(TP+FN)] und F1- bewertet. Score [2*Präzision*Erinnerung/(Präzision+Erinnerung)], der allesamt das Verhältnis richtig oder falsch klassifizierter Läsionen der Proben unter verschiedenen Gesichtspunkten beschreibt.
Die ROC-Kurve (Receiver Operating Characteristic) kann dies jedoch visueller veranschaulichen.
Die Fläche unter der Kurve (AUC) berechnete den Anteil der Fläche unter der ROC-Kurve im Bereich von 0 bis 1 und repräsentiert die Gesamteffizienz der Klassifizierung in jeder Gruppe.
|
unmittelbar nach der Entwicklung und Erprobung von Modellen
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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)
1. April 2024
Primärer Abschluss (Tatsächlich)
20. Juli 2024
Studienabschluss (Tatsächlich)
30. April 2025
Studienanmeldedaten
Zuerst eingereicht
11. September 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
17. September 2024
Zuerst gepostet (Tatsächlich)
19. September 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
23. Juli 2025
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
22. Juli 2025
Zuletzt verifiziert
1. Juli 2025
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- RuijinH 2024-70
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
NEIN
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .