Análisis de imágenes basado en PET/CT y aprendizaje automático de lesiones pulmonares hipermetabólicas
22 de julio de 2025 actualizado por: Hu Jiajia, Ruijin Hospital
Distinción basada en imágenes PET/CT del linfoma pulmonar y otras lesiones hipermetabólicas mediante manifestaciones de imágenes y técnicas de aprendizaje automático: un estudio retrospectivo multicéntrico
Primero, analizamos los tipos, los hallazgos de imágenes y las respuestas de tratamiento relevantes basadas en PET/CT para completar una visión más completa de los linfomas pulmonares.
Luego, se desarrollarán algunos modelos basados en características radiómicas para verificar la posibilidad de diferenciar linfomas pulmonares mediante aprendizaje automático y desarrollar un modelo de clasificación multiclase.
El objetivo final de este estudio es desarrollar un conjunto de modelos de aprendizaje profundo para la segmentación preliminar de lesiones pulmonares y la clasificación de clases múltiples. Los modelos clasificarán las lesiones pulmonares ávidas de FDG en cuatro grupos, cada uno definido por su origen patológico, terapia primaria y departamento clínico relevante.
Descripción general del estudio
Estado
Terminado
Condiciones
Intervención / Tratamiento
Descripción detallada
- El software de extracción de características de imágenes locales (LIFEx, v 7.4.0, Francia) se empleó para la revisión de imágenes y la medición de datos relevantes. Tres observadores interpretaron las imágenes de forma independiente. En caso de desacuerdo, se dio prioridad a la opinión de un médico experimentado con más de una década de experiencia. Los hallazgos de las imágenes se registraron en función de los exámenes iniciales. El recuento de lesiones, la ubicación y las etiquetas descriptivas se registraron sistemáticamente de acuerdo con las normas establecidas en el informe de imágenes. Para la clasificación y cálculo de los datos se utilizó el software estadístico SPSS (v26.0). Se empleó la prueba de chi-cuadrado para comparar SPL y PPL en función de variables categóricas como los hallazgos de la TC, mientras que la prueba T se utilizó para evaluar variables continuas como la glucemia y el SUV. Dado el predominio de variables categóricas, se utilizó chi-cuadrado o la prueba exacta de Fisher (para muestras <40 o >20% de células con <5 recuentos esperados) para evaluar la respuesta al tratamiento y el rendimiento de las imágenes. Se empleó el coeficiente de correlación de Spearman para analizar la relación entre variables continuas categóricas y basadas en SUV.
- En este estudio, se seleccionó el volumen metabólico del tumor en un umbral relativo del 40% (MTV40%) como volumen de interés (VOI) para el análisis de imágenes. Para la extracción de características, utilizamos el kit de herramientas de extracción de características radiómicas basado en Python (v3.11.7), PyRadiomics (v3.1.0). junto con la biblioteca de procesamiento de imágenes médicas SimpleITK (v2.3.1), la biblioteca de manipulación de datos y cálculo numérico Numpy (v1.26.2) y la biblioteca de transformación wavelet PyWavelet (v1.5.0). La selección de funciones se realizó utilizando RStudio (v.2023.12.0+369) basado en el lenguaje de programación R (v4.2.0). Para garantizar la eficiencia computacional y evitar el sobreajuste, la cantidad de características retenidas se limitó al 10% o menos de la cantidad de lesiones en el conjunto de entrenamiento. El análisis y la validación del modelo también se realizaron principalmente utilizando RStudio.
- El estudio de aprendizaje profundo divide la tarea de identificar y clasificar las lesiones pulmonares hipermetabólicas en dos etapas: segmentación y clasificación. En la etapa de segmentación, primero utilizamos el modelo 2D de código abierto Lungmask para recortar automáticamente la región pulmonar a partir de imágenes PET/CT de todo el cuerpo, asegurando que el procesamiento posterior se centre en el área pulmonar. A continuación, desarrollamos un modelo UNet 3D con módulos residuales diseñados específicamente para segmentar lesiones pulmonares hipermetabólicas. Este modelo toma las imágenes PET/CT recortadas como entrada, extrae eficientemente información de la lesión de las imágenes tridimensionales y segmenta con precisión las áreas de lesión pulmonar hipermetabólica. Luego, el modelo se aplicó tanto a conjuntos de prueba internos como a conjuntos de validación externos para inferencia, lo que resultó en la extracción de ROI que contienen lesiones.
Tipo de estudio
De observación
Inscripción (Actual)
647
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
Shanghai
-
Shanghai, Shanghai, Porcelana, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
No
Método de muestreo
Muestra no probabilística
Población de estudio
Este estudio retrospectivo inscribió a pacientes que se sometieron a exámenes PET/CT en el Departamento de Medicina Nuclear desde enero de 2015 hasta febrero de 2024 en 5 instituciones: el Hospital Ruijin, el Centro Proton del Hospital Ruijin North, el Hospital Pulmonar de Shanghai, el Hospital Popular Lu'an de la provincia de Anhui y el Hospital afiliado de la Universidad de Medicina Tradicional China de Nanjing.
Descripción
Criterios de inclusión:
- Pacientes adultos (≥18 años);
- Linfoma primario o recurrente, ≥6 meses desde el último tratamiento; pacientes con cáncer de pulmón primario sin malignidad previa;
- Lesiones pulmonares sólidas benignas, sin malignidad previa;
- Metástasis pulmonar, no tratada con radioterapia pulmonar o implantación de partículas;
- Evaluación inicial que revela lesiones pulmonares positivas para PET.
- Resultados patológicos dentro de los 3 meses posteriores a la fecha del examen, tipos de lesiones pulmonares confirmadas mediante traqueoscopia, punción pulmonar o cirugía.
- Las lesiones pulmonares iniciales que permanecen consideradas linfoma pulmonar (o metástasis) según la evaluación clínica y de imágenes de seguimiento.
Criterios de exclusión:
- Mala calidad de imagen;
- Incapacidad para delinear los límites de las lesiones pulmonares en imágenes de TC;
- Artefactos causados por dispositivos cercanos como stents o tubos de drenaje.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Linfoma pulmonar
(1) Pacientes adultos (≥18 años).
(2) Pacientes con linfoma primario o recurrente, ≥6 meses desde el último tratamiento.
(3) La evaluación inicial en el hospital reveló lesiones pulmonares positivas para PET, con un diámetro máximo medido por TC ≥3 mm, visibles en ≥2 capas de imagen.
(4) Resultados patológicos dentro de los 3 meses posteriores a la fecha del examen, tipos de lesiones pulmonares confirmadas mediante traqueoscopia, punción pulmonar o cirugía.
O las lesiones pulmonares basales de linfoma diagnosticadas mediante punción de ganglios linfáticos y pulmón externo, siguen considerándose linfoma pulmonar según la evaluación clínica y de imágenes de seguimiento.
|
Observe las imágenes médicas a través de la estación de trabajo o el software de análisis de imágenes local.
Extracción de características de imagen mediante radiómica o métodos de aprendizaje profundo
|
|
Cáncer de pulmón
(1) Pacientes adultos (≥18 años).
(2) Pacientes con cáncer de pulmón primario sin neoplasia maligna previa (3) La evaluación inicial en el hospital reveló lesiones pulmonares positivas para PET, con un diámetro máximo medido por TC ≥3 mm, visibles en ≥2 capas de imagen.
(4) Resultados patológicos dentro de los 3 meses posteriores a la fecha del examen, tipos de lesiones pulmonares confirmadas mediante traqueoscopia, punción pulmonar o cirugía.
|
Observe las imágenes médicas a través de la estación de trabajo o el software de análisis de imágenes local.
Extracción de características de imagen mediante radiómica o métodos de aprendizaje profundo
|
|
Benigno
(1) Pacientes adultos (≥18 años).
(2) Pacientes con lesiones pulmonares sólidas benignas, sin malignidad previa.
(3) La evaluación inicial en el hospital reveló lesiones pulmonares positivas para PET, con un diámetro máximo medido por TC ≥3 mm, visibles en ≥2 capas de imagen.
(4) Resultados patológicos dentro de los 3 meses posteriores a la fecha del examen, tipos de lesiones pulmonares confirmadas mediante traqueoscopia, punción pulmonar o cirugía.
|
Observe las imágenes médicas a través de la estación de trabajo o el software de análisis de imágenes local.
Extracción de características de imagen mediante radiómica o métodos de aprendizaje profundo
|
|
Metástasis
(1) Pacientes adultos (≥18 años).
(2) Pacientes metastásicos pulmonares, no tratados con radioterapia pulmonar o implantación de partículas.
(3) La evaluación inicial en el hospital reveló lesiones pulmonares positivas para PET, con un diámetro máximo medido por TC ≥3 mm, visibles en ≥2 capas de imagen.
(4) Resultados patológicos dentro de los 3 meses posteriores a la fecha del examen, tipos de lesiones pulmonares confirmadas mediante traqueoscopia, punción pulmonar o cirugía.
O las lesiones pulmonares basales de metástasis diagnosticadas mediante punción de ganglios linfáticos y pulmón externo, siguen considerándose metástasis pulmonares según la evaluación clínica y de imágenes de seguimiento.
|
Observe las imágenes médicas a través de la estación de trabajo o el software de análisis de imágenes local.
Extracción de características de imagen mediante radiómica o métodos de aprendizaje profundo
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Periodo de tiempo |
|---|---|
|
Funciones de imágenes/radiómica/aprendizaje profundo de la imagen PET/CT con 18F-FDG
Periodo de tiempo: Base
|
Base
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Eficiencia del modelo de segmentación.
Periodo de tiempo: inmediatamente después del desarrollo y prueba de los modelos.
|
La eficacia del modelo de segmentación se evalúa mediante la tasa de detección de lesiones y el coeficiente de similitud de Dice (2(A∩B)/ (A+B), A=volumen de vóxel segmentado, B=volumen de verdad fundamental), que describen el precisión de dividir la lesión y el fondo.
|
inmediatamente después del desarrollo y prueba de los modelos.
|
|
Eficiencia del modelo de clasificación.
Periodo de tiempo: inmediatamente después del desarrollo y prueba de los modelos.
|
El modelo de clasificación se evalúa mediante la precisión [ (TP+TN)/(TP+FP+TN+FN) ], precisión [TP/(TP+FP)], recuperación [TP/(TP+FN)], F1- puntuación [2*precisión*recuperación/(precisión+recuperación)], que describe la proporción de lesiones clasificadas correcta o incorrectamente de las muestras de diferentes aspectos.
Mientras que la curva de características operativas del receptor (ROC) puede ilustrar esto de manera más visual.
El área bajo la curva (AUC) calculó la proporción de área bajo la curva ROC, que varía de 0 a 1, lo que representa la eficiencia general de clasificación en cada grupo.
|
inmediatamente después del desarrollo y prueba de los modelos.
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
1 de abril de 2024
Finalización primaria (Actual)
20 de julio de 2024
Finalización del estudio (Actual)
30 de abril de 2025
Fechas de registro del estudio
Enviado por primera vez
11 de septiembre de 2024
Primero enviado que cumplió con los criterios de control de calidad
17 de septiembre de 2024
Publicado por primera vez (Actual)
19 de septiembre de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
23 de julio de 2025
Última actualización enviada que cumplió con los criterios de control de calidad
22 de julio de 2025
Última verificación
1 de julio de 2025
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- RuijinH 2024-70
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
producto fabricado y exportado desde los EE. UU.
No
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. .