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

Multimodales Deep Learning für Lymphknotenmetastasen bei Schilddrüsenkrebs

22. Dezember 2025 aktualisiert von: Yu Feng, West China Hospital

Eine multizentrische Studie zur Entwicklung eines multimodalen Deep-Learning-Modells auf Basis von Farbdoppler-Ultraschall zur Vorhersage von Lymphknotenmetastasen und Krebsstaging beim papillären Schilddrüsenkarzinom

Das papilläre Schilddrüsenkarzinom (PTC) ist die häufigste endokrine Malignität in der klinischen Praxis und macht etwa 85 % aller Schilddrüsenmalignome aus.
Das Auftreten von zervikalen Lymphknotenmetastasen erhöht weiterhin das Risiko eines lokalen Tumorrezidivs und von Fernmetastasen, wodurch die Überlebensraten der Patienten sinken.
Pathologische Untersuchungen zeigen, dass etwa 30-80 % der PTC-Patienten Lymphknotenmetastasen aufweisen.
Die frühzeitige Erkennung metastatischer Lymphknoten und die Entwicklung individueller Behandlungspläne sind entscheidend für die Verbesserung der Prognose der Patienten.
Derzeit ist die Ultraschall-gesteuerte Feinnadelaspiration die primäre Methode zur Diagnose von Lymphknotenmetastasen, doch ihre Genauigkeit ist durch die Probenqualität begrenzt und birgt ein Risiko für falsch-negative Ergebnisse.
In den letzten Jahren hat die Deep-Learning-Technologie ein erhebliches Potenzial im Bereich der medizinischen Bildanalyse gezeigt.
Daher zielen die Forscher darauf ab, ein Deep-Learning-Modell auf Basis von Halsultraschall zu entwickeln, um Lymphknotenmetastasen genauer vorherzusagen.

Studienübersicht

Status

Noch keine Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

3200

Kontakte und Standorte

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

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

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

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Klinische Daten von Patienten, die sich zwischen Oktober 2020 und Oktober 2025 im West China Hospital der Sichuan University und seinen angeschlossenen Zweigkrankenhäusern einer Thyreoidektomie unterzogen, wurden retrospektiv gesammelt und analysiert.

Beschreibung

Einschlusskriterien:

Patienten im Alter von 18-80 Jahren, die sich einer Schilddrüsen-Ultraschalluntersuchung und einer postoperativen pathologischen Untersuchung der Schilddrüse unterzogen haben.

Patienten mit einer erstmaligen Diagnose von papillärem Schilddrüsenkarzinom. Patienten, bei denen eine Lymphknotendissektion durchgeführt wurde

Ausschlusskriterien:

Patienten im Alter von <18 Jahren oder >80 Jahren. Patienten mit Ultraschallbildern von schlechter Qualität. Patienten mit unvollständig sichtbaren Knoten. Patienten mit Bildern, die mehrere deutliche Läsionen zeigen. Patienten, die zu speziellen Bevölkerungsgruppen gehören. Patienten mit gleichzeitigen anderen Tumoren. Patienten mit einer Vorgeschichte von Schilddrüsenkrebsresektion

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
Papilläres Schilddrüsenkarzinom-Gruppe
Sonstiges: nicht Intervention
Dies ist eine retrospektive Beobachtungsstudie, bei der die Teilnehmer keinen Eingriffen unterzogen werden, und nur Datenerhebung und -analyse an den Teilnehmern durchgeführt werden.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Fläche unter der Receiver-Operating-Characteristic-Kurve für ein multimodales Deep-Learning-Modell basierend auf zervikalem Ultraschall zur Vorhersage von Lymphknotenmetastasen
Zeitfenster: Innerhalb von 2 Monaten nach Abschluss der Probandenrekrutierung
Der Forscher wird ein multimodales Deep-Learning-Modell einsetzen, das präoperative farbkodierte Doppler-Ultraschallbilder der Zervix mit entsprechenden strukturierten Textberichten integriert. Die endgültige Ausgabe des Modells ist eine vorhergesagte Wahrscheinlichkeit der Lymphknotenmetastasierung für jeden Patienten (ein kontinuierlicher Wert zwischen 0 und 1). Diese vorhergesagte Wahrscheinlichkeit wird mit den postoperativen histopathologischen Diagnoseergebnissen (dem Goldstandard) verglichen. Eine Receiver-Operating-Characteristic-Kurve wird für das Modell erstellt, und deren Fläche unter der Kurve wird berechnet. Dies ist die Goldstandard-Metrik zur Bewertung der Diskriminationsfähigkeit eines binären Klassifikationsmodells (Metastasierung vs. Nicht-Metastasierung). Ein höherer AUC-Wert zeigt eine stärkere Gesamtdiskriminationsfähigkeit des Modells an.
Innerhalb von 2 Monaten nach Abschluss der Probandenrekrutierung
Sensitivität eines multimodalen Deep-Learning-Modells basierend auf zervikalem Ultraschall zur Vorhersage von Lymphknotenmetastasen
Zeitfenster: Innerhalb von 2 Monaten nach Abschluss der Rekrutierung der Studienteilnehmer.
Diese Metrik zielt darauf ab, die Fähigkeit des konstruierten multimodalen Deep-Learning-Modells zu bewerten, Patienten mit papillärem Schilddrüsenkarzinom, die tatsächlich eine zervikale Lymphknotenmetastasierung haben, unter dem optimalen diagnostischen Schwellenwert korrekt zu identifizieren. Forscher müssen die Anzahl der Patienten, bei denen durch postoperative Pathologie eine Lymphknotenmetastasierung diagnostiziert wurde, sowie die Anzahl der vom Modell als "positiv" vorhergesagten Patienten (d.h. vorhergesagte Metastasierung) sammeln, um die Sensitivität des auf zervikalem Ultraschall basierenden multimodalen Deep-Learning-Modells bei der Vorhersage von Lymphknotenmetastasierung zu berechnen. Berechnungsformel: Sensitivität = Anzahl der echten positiven Patienten / Gesamtzahl der durch postoperative Pathologie bestätigten positiven Patienten.
Innerhalb von 2 Monaten nach Abschluss der Rekrutierung der Studienteilnehmer.
Spezifität eines multimodalen Deep-Learning-Modells basierend auf zervikalem Ultraschall zur Vorhersage von Lymphknotenmetastasen
Zeitfenster: Innerhalb von 2 Monaten nach Abschluss der Probandenrekrutierung.
Diese Metrik zielt darauf ab, die Fähigkeit des konstruierten multimodalen Deep-Learning-Modells zu bewerten, Patienten mit papillärem Schilddrüsenkarzinom, die keine zervikale Lymphknotenmetastasierung entwickelt haben, unter dem optimalen diagnostischen Schwellenwert korrekt auszuschließen. Forscher müssen die Anzahl der Patienten, die durch postoperative Pathologie ohne Lymphknotenmetastasierung diagnostiziert wurden, sowie die Anzahl der Patienten, die vom Modell als "negativ" vorhergesagt wurden (d. h. vorhergesagt, keine Metastasierung zu haben), sammeln, um die Spezifität des auf zervikalem Ultraschall basierenden multimodalen Deep-Learning-Modells bei der Vorhersage von Lymphknotenmetastasierung zu berechnen. Berechnungsformel: Spezifität = Anzahl der wahrhaft negativen Patienten / Gesamtzahl der durch postoperative Pathologie bestätigten negativen Patienten.
Innerhalb von 2 Monaten nach Abschluss der Probandenrekrutierung.

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Die pathologisch bestätigte Lymphknotenmetastasierungsrate in der Studienkohorte
Zeitfenster: Innerhalb von 2 Monaten nach Abschluss der Teilnehmerrekrutierung
Es bezieht sich auf den Prozentsatz der Patienten mit mindestens einem metastatischen Lymphknoten, der durch postoperative pathologische Untersuchung bestätigt wurde, im Verhältnis zur Gesamtzahl der Personen in der entsprechenden Studienpopulation. Forscher müssen die Anzahl der Patienten erfassen, die durch postoperative pathologische Untersuchung mit Lymphknotenmetastasen diagnostiziert wurden.
Innerhalb von 2 Monaten nach Abschluss der Teilnehmerrekrutierung
Bereinigte Odds Ratios für klinische Faktoren, die mit pathologisch bestätigten Lymphknotenmetastasen assoziiert sind
Zeitfenster: Innerhalb von 2 Monaten nach Abschluss der Teilnehmerrekrutierung
Forscher müssen die Ergebnisvariable (d. h. den postoperativ pathologisch bestätigten Lymphknotenmetastasenstatus) und ihre Expositionsvariablen (wie die spezifische Lage des Primärtumors innerhalb der Schilddrüse, den maximalen Tumordurchmesser, das Patientenalter usw.) erfassen. Mit diesen Variablen werden die adjustierten Odds Ratios berechnet, um widerzuspiegeln, nach Bereinigung um andere Störfaktoren, wie viel wahrscheinlicher Patienten mit einem bestimmten Expositionsmerkmal (z. B. Tumor im oberen Pol) Lymphknotenmetastasen haben im Vergleich zu Patienten in der Referenzgruppe (z. B. Tumor im unteren Pol).
Innerhalb von 2 Monaten nach Abschluss der Teilnehmerrekrutierung
Der gewichtete Kappa-Koeffizient für die Konsistenz zwischen dem vom Modell vorhergesagten pTNM-Stadium und dem pathologischen Stadium
Zeitfenster: Innerhalb von 2 Monaten nach Abschluss der Probandenrekrutierung
Forscher müssen das vom Modell vorhergesagte pTNM-Stadium und das tatsächliche pTNM-Stadium des Patienten sammeln und aufzeichnen, um die Übereinstimmung zwischen dem vom Modell vorhergesagten vollständigen pTNM-Stadium und dem pathologischen Stadium zu bewerten.
Innerhalb von 2 Monaten nach Abschluss der Probandenrekrutierung

Mitarbeiter und Ermittler

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

Sponsor

West China Hospital

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 (Geschätzt)

1. Januar 2026

Primärer Abschluss (Geschätzt)

1. März 2026

Studienabschluss (Geschätzt)

1. Mai 2026

Studienanmeldedaten

Zuerst eingereicht

9. Dezember 2025

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

22. Dezember 2025

Zuerst gepostet (Tatsächlich)

23. Dezember 2025

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

23. Dezember 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

22. Dezember 2025

Zuletzt verifiziert

1. Dezember 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 2025(2352)

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

UNENTSCHIEDEN

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 Papilläres Schilddrüsenkarzinom

Klinische Studien zur nicht Intervention

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Netherlands

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren