Sistema asistido por IA para el diagnóstico y pronóstico precisos de los tumores filoides de mama
Desarrollo de un sistema basado en inteligencia artificial para el diagnóstico y pronóstico precisos de los tumores filoides de mama
El tumor filoides de mama (PT) es un tumor fibroepitelial poco común, que representa del 1% al 3% de todos los tumores de mama, clasificado por la OMS en benigno, limítrofe y maligno, según características histopatológicas como el borde del tumor, la celularidad estromal y la atipia estromal. , actividad mitótica y sobrecrecimiento estromal. Los PT malignos representan del 18% al 25%, con altas tasas de recurrencia local (hasta el 65%) y metástasis a distancia (16% al 25%). El PT benigno podría progresar a malignidad después de múltiples recurrencias. Por lo tanto, el diagnóstico temprano y preciso y la identificación de objetivos terapéuticos son cruciales para mejorar los resultados y las tasas de supervivencia.
En los últimos años ha habido un creciente interés en la aplicación de la inteligencia artificial (IA) al diagnóstico médico. La IA puede integrar información clínica, imágenes histopatológicas y datos multiómicos para ayudar en el diagnóstico clínico y patológico, la predicción del pronóstico y la elaboración de perfiles moleculares. La IA ha mostrado resultados prometedores en diversas áreas, incluido el diagnóstico de diferentes cánceres, como el cáncer colorrectal, el de mama cáncer y cáncer de próstata. Sin embargo, el PT se diferencia del cáncer de mama en el enfoque de diagnóstico y tratamiento. Por lo tanto, establecer un sistema basado en inteligencia artificial para el diagnóstico preciso y la evaluación del pronóstico del TP es crucial para la medicina personalizada.
El equipo de investigación, dirigido por el Dr. Nie Yan, es uno de los pocos en la provincia de Guangdong e incluso a nivel nacional, que se especializa en la investigación del PT. Su equipo ha estado realizando investigaciones sobre la progresión maligna, los mecanismos de metástasis y los marcadores moleculares del PT. El equipo ha identificado mecanismos clave, como la diferenciación de fibroblastos a miofibroblastos, y el papel de los macrófagos asociados a tumores en la promoción de esta diferenciación. También han identificado marcadores moleculares, incluidos miR-21, α-SMA, CCL18 y CCL5, que son más precisos para predecir el riesgo de recurrencia del tumor en comparación con la clasificación histopatológica tradicional.
El proyecto ha recopilado datos de alta calidad de casi mil pacientes de PT de mama, incluidos datos de imágenes, histopatología y supervivencia, y ha realizado la secuenciación del gen transcriptoma en muestras de tejido. Su objetivo es crear una base de datos multiómica integral para PT de mama y crear un modelo basado en inteligencia artificial para el diagnóstico temprano y la predicción del pronóstico. Esta investigación tiene el potencial de mejorar el diagnóstico y el tratamiento del PT de mama, abordar las disparidades en la atención del PT de mama en diferentes regiones de China y contribuir al desarrollo de nuevos objetivos terapéuticos.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Yan Nie, Prof.Dr.
- Número de teléfono: +86 020-81332587
- Correo electrónico: nieyan7@mail.sysu.edu.cn
Ubicaciones de estudio
-
-
Guangdong
-
Guangzhou, Guangdong, Porcelana, 510120
- Reclutamiento
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
Contacto:
- Yan Nie, Prof.Dr.
- Número de teléfono: +86 020-81332587
- Correo electrónico: nieyan7@mail.sysu.edu.cn
-
Guangzhou, Guangdong, Porcelana, 510050
- Reclutamiento
- Sun Yat-Sen University Cancer Center
-
Contacto:
- Feng Ye, Prof.Dr.
- Número de teléfono: 15914388994
-
Guangzhou, Guangdong, Porcelana, 510145
- Reclutamiento
- The Third Affiliated Hospital of Guangzhou Medical University
-
Contacto:
- Hui Mai, Prof.Dr.
- Número de teléfono: 13925129112
-
Guangzhou, Guangdong, Porcelana, 511400
- Reclutamiento
- Guangdong Maternal and Child Health Hospital
-
Contacto:
- Yu Tan, Prof.Dr.
- Número de teléfono: 13632356526
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Pacientes diagnosticadas de tumor filoides de mama
Criterio de exclusión:
- Imágenes borrosas, artefactos de imagen
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Tumor filoides de mama
Pacientes diagnosticadas de tumor filoides de mama
|
Materiales de imágenes médicas para pacientes, incluidos ultrasonido, mamografía, tomografía computarizada y resonancia magnética.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Sensibilidad
Periodo de tiempo: Cinco años
|
La probabilidad de un resultado positivo de la prueba, condicionado a que sea verdaderamente positivo.
|
Cinco años
|
|
Tasa de falsos negativos
Periodo de tiempo: Cinco años
|
Determine las probabilidades de dar negativo en una población positiva.
|
Cinco años
|
|
Especificidad
Periodo de tiempo: Cinco años
|
La probabilidad de un resultado negativo de la prueba condicionada a un verdadero negativo.
|
Cinco años
|
|
Tasa de falsos positivos
Periodo de tiempo: Cinco años
|
Determine las probabilidades de dar positivo en una población negativa.
|
Cinco años
|
|
Curva característica de funcionamiento del receptor
Periodo de tiempo: Cinco años
|
La curva ROC es una curva basada en una serie de diferentes clasificaciones dicotómicas (valores de corte o umbrales de decisión), con la tasa de verdaderos positivos (sensibilidad) como coordenada vertical y la tasa de falsos positivos (especificidad 1) como coordenada vertical. coordenada horizontal.
|
Cinco años
|
|
Área bajo curva roc
Periodo de tiempo: Cinco años
|
El AUC se define como el área bajo la curva ROC encerrada por los ejes, y cuanto más cerca esté el AUC de 1,0, más auténtico será el ensayo.
|
Cinco años
|
Colaboradores e Investigadores
Publicaciones y enlaces útiles
Publicaciones Generales
- Belkacemi Y, Bousquet G, Marsiglia H, Ray-Coquard I, Magne N, Malard Y, Lacroix M, Gutierrez C, Senkus E, Christie D, Drumea K, Lagneau E, Kadish SP, Scandolaro L, Azria D, Ozsahin M. Phyllodes tumor of the breast. Int J Radiat Oncol Biol Phys. 2008 Feb 1;70(2):492-500. doi: 10.1016/j.ijrobp.2007.06.059. Epub 2007 Oct 10.
- Mishra SP, Tiwary SK, Mishra M, Khanna AK. Phyllodes tumor of breast: a review article. ISRN Surg. 2013;2013:361469. doi: 10.1155/2013/361469. Epub 2013 Mar 20.
- Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A. Artificial intelligence in digital pathology - new tools for diagnosis and precision oncology. Nat Rev Clin Oncol. 2019 Nov;16(11):703-715. doi: 10.1038/s41571-019-0252-y. Epub 2019 Aug 9.
- van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology: the path to the clinic. Nat Med. 2021 May;27(5):775-784. doi: 10.1038/s41591-021-01343-4. Epub 2021 May 14.
- Wang Y, Acs B, Robertson S, Liu B, Solorzano L, Wahlby C, Hartman J, Rantalainen M. Improved breast cancer histological grading using deep learning. Ann Oncol. 2022 Jan;33(1):89-98. doi: 10.1016/j.annonc.2021.09.007. Epub 2021 Sep 29.
- Chow ZL, Thike AA, Li HH, Nasir NDM, Yeong JPS, Tan PH. Counting Mitoses With Digital Pathology in Breast Phyllodes Tumors. Arch Pathol Lab Med. 2020 Nov 1;144(11):1397-1400. doi: 10.5858/arpa.2019-0435-OA.
- Cheng CL, Md Nasir ND, Ng GJZ, Chua KWJ, Li Y, Rodrigues J, Thike AA, Heng SY, Koh VCY, Lim JX, Hiew VJN, Shi R, Tan BY, Tay TKY, Ravi S, Ng KH, Oh KSL, Tan PH. Artificial intelligence modelling in differentiating core biopsies of fibroadenoma from phyllodes tumor. Lab Invest. 2022 Mar;102(3):245-252. doi: 10.1038/s41374-021-00689-0. Epub 2021 Nov 24.
- Kates-Harbeck J, Svyatkovskiy A, Tang W. Predicting disruptive instabilities in controlled fusion plasmas through deep learning. Nature. 2019 Apr;568(7753):526-531. doi: 10.1038/s41586-019-1116-4. Epub 2019 Apr 17.
- Gong C, Nie Y, Qu S, Liao JY, Cui X, Yao H, Zeng Y, Su F, Song E, Liu Q. miR-21 induces myofibroblast differentiation and promotes the malignant progression of breast phyllodes tumors. Cancer Res. 2014 Aug 15;74(16):4341-52. doi: 10.1158/0008-5472.CAN-14-0125. Epub 2014 Jun 30.
- Nie Y, Chen J, Huang D, Yao Y, Chen J, Ding L, Zeng J, Su S, Chao X, Su F, Yao H, Hu H, Song E. Tumor-Associated Macrophages Promote Malignant Progression of Breast Phyllodes Tumors by Inducing Myofibroblast Differentiation. Cancer Res. 2017 Jul 1;77(13):3605-3618. doi: 10.1158/0008-5472.CAN-16-2709. Epub 2017 May 16.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Estimado)
Actualizaciones de registros de estudio
Última actualización publicada (Estimado)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- SYSKY-2023-351-02
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .