- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT06108310
Keinotekoiseen älykkyyteen perustuva RAdiogenomiikka paksusuolen kasvaimissa (ATTRACT)
ATTRACT – Keinotekoiseen älykkyyteen perustuva RAdiogenomiikka paksusuolen kasvaimissa
Tämän kliinisen tutkimuksen tavoitteena on kehittää tekoälyyn perustuva malli paksusuolen kasvaimen radiogenomisten tunnusmerkkien arvioimiseksi potilailla, joilla on vaiheen II-III paksusuolensyöpä. Pääkysymys, johon se pyrkii vastaamaan, on:
• Voiko tekoälyyn perustuva radiomiikan ominaisuuksien algoritmi yhdistettynä kliinisiin tekijöihin, biokemiallisiin biomarkkereihin ja genomitietoihin tunnistaa kasvaimen käyttäytymistä, aggressiivisuutta ja ennustetta ja tunnistaa kasvaimen radiogenomisen allekirjoituksen?
Osallistujat tekevät
- tehdä ennen leikkausta varjoaineella tehostettu CT-tutkimus;
- tehdään paksusuolensyövän kirurginen leikkaus
- adjuvanttihoitoa, jos se katsotaan tarpeelliseksi nykyisten ohjeiden mukaan
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
ATTRACT-tutkimus koostuu retrospektiivisestä ja tulevasta osasta. Tutkimuksen retrospektiivisessä osassa 300 vaiheen II-III paksusuolensyöpäpotilaan radiologiaa, patologiaa ja genomiikkatietoja käytetään paksusuolen kasvainten geneettisten ja radiomiikan ominaisuuksien ja kliinisten päätepisteiden tunnistamiseen ennustavan mallin tuloksina.
Kasvaimet segmentoidaan manuaalisesti CT-kuvissa ja niitä käytetään tekoälyn (AI) mallin sukupolveen. Patologiset merkinnät liitetään vastaaviin anonymisoituihin profiileihin. Immunohistokemiaa käytetään luokittelemaan näytteet neljään molekyylialatyyppiin. RNA-seq-profiilit luodaan myös kudosnäytteistä kohdistettujen transkriptioiden avulla käyttämällä mukautettuja NGS-paneeleja (seuraavan sukupolven sekvensointi), jotka on erityisesti suunniteltu arvioimaan geenin ilmentymistä ja arvioimaan kasvaimen mutaatiotaakkaa. (TMB). Raakadataa käsitellään ja mallinnetaan käyttäen Topological Pathway Analysis -menetelmää potilaiden osittaistamiseksi asiaankuuluvien molekyyliominaisuuksien mukaan ja molekyylien merkintöjen määrittämiseksi, joita käytetään mallin kouluttamiseen tiettyjen kliinisesti merkityksellisten ryhmien tunnistamiseen. Raakadataa yhdessä radiologisten tietojen kanssa käytetään luomaan ja kouluttamaan tekoälymalleja automatisoitua segmentointia ja radiogenomisten allekirjoitusten poimimista varten.
Radiomiikkaominaisuudet erotetaan manuaalisesti segmentoiduista kasvaimista. Käytössä on vakiomuotoisia PyRadiomics-työkaluja sekä räätälöityjä työkaluja. Ominaisuuden kestävyys taataan valitsemalla vain ne, joilla on korkea tarkkailijoiden välinen tilastollinen korrelaatio. Luodaan kaksi tekoälymalliperhettä, joista toinen on omistettu segmentoinnille ja toinen radiogenomiikkaan perustuvalle fenotyypitykselle käytettävissä olevien kliinisen, molekyylibiologian ja patologisten tietojen mukaan. Nämä kaksi perhettä yhdistetään ATTRACT AI -mallin luomiseksi. Näiden mallien luomiseen käytetään erityisiä syväoppimiseen (DL) ja tekoälyyn perustuvia konvoluutiohermoverkko (CNN) -arkkitehtuuria, kuten UNet ja MaskNet. Harjoittelu suoritetaan käyttämällä manuaalisia ROI (region of interest) -segmentointeja maaperänä. Radiogenomisten analyysimallien luomiseksi radiomiikka ja genomiominaisuudet yhdistetään erilaisilla monimuuttujaalgoritmeilla. Luokituslaitos koulutetaan tunnistamaan syövän alatyypit ja kliiniset päätepisteet.
Tutkimuksen tulevassa osassa rekrytoidaan potilaat, joilla on vaiheen II-III paksusuolensyöpä, ja heille tehdään ennen leikkausta varjoaineella tehty TT-tutkimus. Rekrytointiaste tulee olemaan 70 potilasta vuodessa, yhteensä 210 potilasta. Leikkausta edeltävän TT:n jälkeen leikkaus suoritetaan kansainvälisten standardiprotokollien mukaisesti. Lopulta adjuvanttihoitoa harkitaan nykyisten ohjeiden mukaisesti. Mahdollisen ilmoittautumisen patologinen näyte analysoidaan. Ensinnäkin RNA-seq-datan, TMB:n (koodaavien geenien) ja kliinisen datan avulla potilaat ryhmitellään käyttämällä kahta erilaista tekniikkaa, Markov Cluster -algoritmia (MCL) ja t-SNE:tä (t-hajautunut stokastinen naapuri upottaminen). Kerrosverkkoklusterointi. Potilaat esitetään verkon solmuina, solmujen väliset reunat painotetaan ja rajataan Jaccardin samankaltaisuuden mukaisesti. Samankaltaisuus lasketaan Topological Pathway Analysis -analyysistä tulevien geeniekspressio-, TMB- ja häiriötietojen päälle. Klusteritulokset verrataan immunohistokemian tuloksiin. Kliiniset seurantatiedot (esim. terapian tulos jne...) liitetään myös työnkulkuun, kun se on saatavilla, jotta oppiminen saadaan voimaan. Poimittua tietoa käytetään radiomiikan luokituksen kouluttamiseen ja validointiin käytetyn tietojoukon merkitsemiseen. Bruttonäyte analysoidaan erilaisten transkriptomisten molekyylien alatyyppien (CMS1, CMS2, CMS3, CMS4) erottamiseksi kolorektaalisyöpä (CRC) Subtyping Consortiumin (CRCSC) mukaisesti arvioiden ydinalatyyppien olemassaoloa tai puuttumista olemassa olevien geenien ilmentymisen joukosta. perustuvat CRC-alatyyppialgoritmit. Patologisen molekyyliprofiilin ja ctDNA-analyysin välinen yhteensopivuus protokollan aikana liitetään radiomiikan luokitukseen, jotta saadaan uusi kokonaisdiagnostinen lähestymistapa CRC:n hoidossa ja seurannassa.
Tulevia tietoja käytetään tekoälymallien validointiin. Segmentointimalleissa noppakerrointa käytetään indikaattorina, jolla mitataan automatisoidun ja asiantuntijasegmentoinnin päällekkäisyyttä. Radiogenomiikkamallissa suorituskykyä arvioidaan käyttämällä tarkkuutta, integraalia vastaanottimen käyttäjäkäyrän (ROC-AUC) ja kliinisen päätöskäyrän avulla. Tutkijat ottavat parhaiden tekoälymallien valinnassa huomioon myös reagoinnin syöteominaisuuksien vaihteluun ja tuottavat näkyvyyskartat, joissa korostuvat luokitukseen eniten vaikuttaneet syöttökuvan piirteet.
Kliininen arviointi suoritetaan kuuden kuukauden välein 2 vuoden ajan, mukaan lukien säännölliset seerumin CEA-testit (karsinoembryoninen antigeeni) ja koko kehon CT 6-12 kuukauden välein potilailla, joilla on suurempi uusiutumisen riski ensimmäisten kolmen vuoden aikana ESMO:n (European) jälkeen. Society for Medical Oncology) -ohjeet. Taudista vapaa eloonjääminen (DFS) ja relapse-free survival (RFS) lasketaan.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Andrea Laghi, MD
- Puhelinnumero: +390633775285
- Sähköposti: andrea.laghi@uniroma1.it
Opiskelupaikat
-
-
RM
-
Roma, RM, Italia, 00189
- Rekrytointi
- AOU Sant'Andrea
-
Ottaa yhteyttä:
- Andrea Laghi, MD
- Puhelinnumero: +390633775285
- Sähköposti: andrea.laghi@uniroma1.it
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Koulutusvaihe koostuu laitostietokannasta retrospektiivisestä valikoimasta kolmesataa potilasta, joilla on patologisesti todettu vaiheen II ja III paksusuolensyöpä.
Testaus ja validointi koostuvat tulevasta tiedonkeruusta uudesta potilasjoukosta. Potilaiden rekrytoinnin suorittaa Sant'Andrean sairaalan onkologinen yksikkö ja kirurgian yksikkö - Sapienza-yliopisto Roomassa. Patologia ja genomi erotetaan leikkauksen aikana saadusta näytteestä ja verinäytteitä ctDNA-analyysiä varten kerätään ennen kemoterapia-/seurantakäyntejä ja niiden aikana (30 päivän sisällä kolorektaalisen leikkauksen jälkeen, 3 ja sen jälkeen 6 kuukauden välein)
Kuvaus
Sisällyttämiskriteerit:
- potilaat, joilla on patologisesti todistettu vaiheen II ja III paksusuolensyöpä;
- CT-skannauksen saatavuus portaalilaskimovaiheella diagnoosin ajankohtana;
- immunohistokemiallisen paneelin saatavuus
Poissulkemiskriteerit:
- potilaat, joilla ei ole TT-kuvia ennen kirurgista resektiota;
- potilaat, joilla on CT-skannaukset, joille on tunnusomaista liikeartefaktit, jotka estävät radiomiikka-analyysin
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
---|---|
Vaiheen II-III paksusuolen kasvainten radiogenomisen allekirjoituksen (ATTRACT AI-malli) tunnistaminen
Aikaikkuna: Tammikuusta 2021 joulukuuhun 2023
|
Tammikuusta 2021 joulukuuhun 2023
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
---|---|
Paksusuolisyövän radiogenomisen allekirjoituksen (ATTRACT AI-malli) korrelaatio kliinisten tulosten (DFS ja RFS) kanssa
Aikaikkuna: Tammikuusta 2024 joulukuuhun 2025
|
Tammikuusta 2024 joulukuuhun 2025
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Andrea Laghi, MD, University of Roma La Sapienza
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Bettegowda C, Sausen M, Leary RJ, Kinde I, Wang Y, Agrawal N, Bartlett BR, Wang H, Luber B, Alani RM, Antonarakis ES, Azad NS, Bardelli A, Brem H, Cameron JL, Lee CC, Fecher LA, Gallia GL, Gibbs P, Le D, Giuntoli RL, Goggins M, Hogarty MD, Holdhoff M, Hong SM, Jiao Y, Juhl HH, Kim JJ, Siravegna G, Laheru DA, Lauricella C, Lim M, Lipson EJ, Marie SK, Netto GJ, Oliner KS, Olivi A, Olsson L, Riggins GJ, Sartore-Bianchi A, Schmidt K, Shih lM, Oba-Shinjo SM, Siena S, Theodorescu D, Tie J, Harkins TT, Veronese S, Wang TL, Weingart JD, Wolfgang CL, Wood LD, Xing D, Hruban RH, Wu J, Allen PJ, Schmidt CM, Choti MA, Velculescu VE, Kinzler KW, Vogelstein B, Papadopoulos N, Diaz LA Jr. Detection of circulating tumor DNA in early- and late-stage human malignancies. Sci Transl Med. 2014 Feb 19;6(224):224ra24. doi: 10.1126/scitranslmed.3007094.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Miller KD, Siegel RL, Lin CC, Mariotto AB, Kramer JL, Rowland JH, Stein KD, Alteri R, Jemal A. Cancer treatment and survivorship statistics, 2016. CA Cancer J Clin. 2016 Jul;66(4):271-89. doi: 10.3322/caac.21349. Epub 2016 Jun 2.
- Guinney J, Dienstmann R, Wang X, de Reynies A, Schlicker A, Soneson C, Marisa L, Roepman P, Nyamundanda G, Angelino P, Bot BM, Morris JS, Simon IM, Gerster S, Fessler E, De Sousa E Melo F, Missiaglia E, Ramay H, Barras D, Homicsko K, Maru D, Manyam GC, Broom B, Boige V, Perez-Villamil B, Laderas T, Salazar R, Gray JW, Hanahan D, Tabernero J, Bernards R, Friend SH, Laurent-Puig P, Medema JP, Sadanandam A, Wessels L, Delorenzi M, Kopetz S, Vermeulen L, Tejpar S. The consensus molecular subtypes of colorectal cancer. Nat Med. 2015 Nov;21(11):1350-6. doi: 10.1038/nm.3967. Epub 2015 Oct 12.
- Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77. doi: 10.1148/radiol.2015151169. Epub 2015 Nov 18.
- Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, Verlingue L, Brandao D, Lancia A, Ammari S, Hollebecque A, Scoazec JY, Marabelle A, Massard C, Soria JC, Robert C, Paragios N, Deutsch E, Ferte C. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018 Sep;19(9):1180-1191. doi: 10.1016/S1470-2045(18)30413-3. Epub 2018 Aug 14.
- Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J, Sanduleanu S, Larue RTHM, Even AJG, Jochems A, van Wijk Y, Woodruff H, van Soest J, Lustberg T, Roelofs E, van Elmpt W, Dekker A, Mottaghy FM, Wildberger JE, Walsh S. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017 Dec;14(12):749-762. doi: 10.1038/nrclinonc.2017.141. Epub 2017 Oct 4.
- Glynne-Jones R, Wyrwicz L, Tiret E, Brown G, Rodel C, Cervantes A, Arnold D; ESMO Guidelines Committee. Rectal cancer: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up. Ann Oncol. 2017 Jul 1;28(suppl_4):iv22-iv40. doi: 10.1093/annonc/mdx224. No abstract available. Erratum In: Ann Oncol. 2018 Oct 1;29(Suppl 4):iv263.
- Merker JD, Oxnard GR, Compton C, Diehn M, Hurley P, Lazar AJ, Lindeman N, Lockwood CM, Rai AJ, Schilsky RL, Tsimberidou AM, Vasalos P, Billman BL, Oliver TK, Bruinooge SS, Hayes DF, Turner NC. Circulating Tumor DNA Analysis in Patients With Cancer: American Society of Clinical Oncology and College of American Pathologists Joint Review. J Clin Oncol. 2018 Jun 1;36(16):1631-1641. doi: 10.1200/JCO.2017.76.8671. Epub 2018 Mar 5.
- Bosman FT. Tumor Heterogeneity: Will It Change What Pathologists Do. Pathobiology. 2018;85(1-2):18-22. doi: 10.1159/000469664. Epub 2017 May 9.
- Chakraborty S, Hosen MI, Ahmed M, Shekhar HU. Onco-Multi-OMICS Approach: A New Frontier in Cancer Research. Biomed Res Int. 2018 Oct 3;2018:9836256. doi: 10.1155/2018/9836256. eCollection 2018.
- Chen S, Zhang N, Shao J, Wang T, Wang X. Multi-omics Perspective on the Tumor Microenvironment based on PD-L1 and CD8 T-Cell Infiltration in Urothelial Cancer. J Cancer. 2019 Jan 1;10(3):697-707. doi: 10.7150/jca.28494. eCollection 2019.
- Hondermarck, H., Cancer Omics: A Special Issue to Highlight Where We Are Heading. Proteomics, 2018. 18(24): p. e180038
- Huang L, Brunell D, Stephan C, Mancuso J, Yu X, He B, Thompson TC, Zinner R, Kim J, Davies P, Wong STC. Driver network as a biomarker: systematic integration and network modeling of multi-omics data to derive driver signaling pathways for drug combination prediction. Bioinformatics. 2019 Oct 1;35(19):3709-3717. doi: 10.1093/bioinformatics/btz109.
- Long NP, Jung KH, Anh NH, Yan HH, Nghi TD, Park S, Yoon SJ, Min JE, Kim HM, Lim JH, Kim JM, Lim J, Lee S, Hong SS, Kwon SW. An Integrative Data Mining and Omics-Based Translational Model for the Identification and Validation of Oncogenic Biomarkers of Pancreatic Cancer. Cancers (Basel). 2019 Jan 29;11(2):155. doi: 10.3390/cancers11020155.
- Dienstmann R, Vermeulen L, Guinney J, Kopetz S, Tejpar S, Tabernero J. Consensus molecular subtypes and the evolution of precision medicine in colorectal cancer. Nat Rev Cancer. 2017 Feb;17(2):79-92. doi: 10.1038/nrc.2016.126. Epub 2017 Jan 4. Erratum In: Nat Rev Cancer. 2017 Mar 23;17 (4):268.
- Dunne PD, O'Reilly PG, Coleman HG, Gray RT, Longley DB, Johnston PG, Salto-Tellez M, Lawler M, McArt DG. Stratified analysis reveals chemokine-like factor (CKLF) as a potential prognostic marker in the MSI-immune consensus molecular subtype CMS1 of colorectal cancer. Oncotarget. 2016 Jun 14;7(24):36632-36644. doi: 10.18632/oncotarget.9126.
- Roseweir AK, McMillan DC, Horgan PG, Edwards J. Colorectal cancer subtypes: Translation to routine clinical pathology. Cancer Treat Rev. 2017 Jun;57:1-7. doi: 10.1016/j.ctrv.2017.04.006. Epub 2017 May 4.
- Thanki K, Nicholls ME, Gajjar A, Senagore AJ, Qiu S, Szabo C, Hellmich MR, Chao C. Consensus Molecular Subtypes of Colorectal Cancer and their Clinical Implications. Int Biol Biomed J. 2017 Summer;3(3):105-111. Epub 2017 Jun 13.
- Wang W, Kandimalla R, Huang H, Zhu L, Li Y, Gao F, Goel A, Wang X. Molecular subtyping of colorectal cancer: Recent progress, new challenges and emerging opportunities. Semin Cancer Biol. 2019 Apr;55:37-52. doi: 10.1016/j.semcancer.2018.05.002. Epub 2018 May 18.
- Horvat N, Veeraraghavan H, Khan M, Blazic I, Zheng J, Capanu M, Sala E, Garcia-Aguilar J, Gollub MJ, Petkovska I. MR Imaging of Rectal Cancer: Radiomics Analysis to Assess Treatment Response after Neoadjuvant Therapy. Radiology. 2018 Jun;287(3):833-843. doi: 10.1148/radiol.2018172300. Epub 2018 Mar 7.
- Pinker K, Chin J, Melsaether AN, Morris EA, Moy L. Precision Medicine and Radiogenomics in Breast Cancer: New Approaches toward Diagnosis and Treatment. Radiology. 2018 Jun;287(3):732-747. doi: 10.1148/radiol.2018172171.
- Cozzi L, Comito T, Fogliata A, Franzese C, Franceschini D, Bonifacio C, Tozzi A, Di Brina L, Clerici E, Tomatis S, Reggiori G, Lobefalo F, Stravato A, Mancosu P, Zerbi A, Sollini M, Kirienko M, Chiti A, Scorsetti M. Computed tomography based radiomic signature as predictive of survival and local control after stereotactic body radiation therapy in pancreatic carcinoma. PLoS One. 2019 Jan 18;14(1):e0210758. doi: 10.1371/journal.pone.0210758. eCollection 2019.
- Diamant A, Chatterjee A, Vallieres M, Shenouda G, Seuntjens J. Deep learning in head & neck cancer outcome prediction. Sci Rep. 2019 Feb 26;9(1):2764. doi: 10.1038/s41598-019-39206-1.
- Li S, Wang K, Hou Z, Yang J, Ren W, Gao S, Meng F, Wu P, Liu B, Liu J, Yan J. Use of Radiomics Combined With Machine Learning Method in the Recurrence Patterns After Intensity-Modulated Radiotherapy for Nasopharyngeal Carcinoma: A Preliminary Study. Front Oncol. 2018 Dec 21;8:648. doi: 10.3389/fonc.2018.00648. eCollection 2018.
- Neri E, Del Re M, Paiar F, Erba P, Cocuzza P, Regge D, Danesi R. Radiomics and liquid biopsy in oncology: the holons of systems medicine. Insights Imaging. 2018 Dec;9(6):915-924. doi: 10.1007/s13244-018-0657-7. Epub 2018 Nov 14.
- Rizzo S, Botta F, Raimondi S, Origgi D, Fanciullo C, Morganti AG, Bellomi M. Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp. 2018 Nov 14;2(1):36. doi: 10.1186/s41747-018-0068-z.
- Lo CM, Iqbal U, Li YJ. Cancer quantification from data mining to artificial intelligence. Comput Methods Programs Biomed. 2017 Jul;145:A1. doi: 10.1016/S0169-2607(17)30594-1. No abstract available.
- Mayo RC, Leung J. Artificial intelligence and deep learning - Radiology's next frontier? Clin Imaging. 2018 May-Jun;49:87-88. doi: 10.1016/j.clinimag.2017.11.007. Epub 2017 Nov 16.
- Azuaje F. Artificial intelligence for precision oncology: beyond patient stratification. NPJ Precis Oncol. 2019 Feb 25;3:6. doi: 10.1038/s41698-019-0078-1. eCollection 2019.
- Liang C, Huang Y, He L, Chen X, Ma Z, Dong D, Tian J, Liang C, Liu Z. The development and validation of a CT-based radiomics signature for the preoperative discrimination of stage I-II and stage III-IV colorectal cancer. Oncotarget. 2016 May 24;7(21):31401-12. doi: 10.18632/oncotarget.8919.
- Bibault JE, Giraud P, Housset M, Durdux C, Taieb J, Berger A, Coriat R, Chaussade S, Dousset B, Nordlinger B, Burgun A. Deep Learning and Radiomics predict complete response after neo-adjuvant chemoradiation for locally advanced rectal cancer. Sci Rep. 2018 Aug 22;8(1):12611. doi: 10.1038/s41598-018-30657-6. Erratum In: Sci Rep. 2018 Nov 12;8(1):16914.
- Park BW, Kim JK, Heo C, Park KJ. Reliability of CT radiomic features reflecting tumour heterogeneity according to image quality and image processing parameters. Sci Rep. 2020 Mar 2;10(1):3852. doi: 10.1038/s41598-020-60868-9.
- Soomro MH, Coppotelli M, Conforto S, Schmid M, Giunta G, Del Secco L, Neri E, Caruso D, Rengo M, Laghi A. Automated Segmentation of Colorectal Tumor in 3D MRI Using 3D Multiscale Densely Connected Convolutional Neural Network. J Healthc Eng. 2019 Jan 31;2019:1075434. doi: 10.1155/2019/1075434. eCollection 2019.
- Lenchik L, Heacock L, Weaver AA, Boutin RD, Cook TS, Itri J, Filippi CG, Gullapalli RP, Lee J, Zagurovskaya M, Retson T, Godwin K, Nicholson J, Narayana PA. Automated Segmentation of Tissues Using CT and MRI: A Systematic Review. Acad Radiol. 2019 Dec;26(12):1695-1706. doi: 10.1016/j.acra.2019.07.006. Epub 2019 Aug 10.
- Caruso D, Zerunian M, Ciolina M, de Santis D, Rengo M, Soomro MH, Giunta G, Conforto S, Schmid M, Neri E, Laghi A. Haralick's texture features for the prediction of response to therapy in colorectal cancer: a preliminary study. Radiol Med. 2018 Mar;123(3):161-167. doi: 10.1007/s11547-017-0833-8. Epub 2017 Nov 8.
- Ferrari R, Mancini-Terracciano C, Voena C, Rengo M, Zerunian M, Ciardiello A, Grasso S, Mare' V, Paramatti R, Russomando A, Santacesaria R, Satta A, Solfaroli Camillocci E, Faccini R, Laghi A. MR-based artificial intelligence model to assess response to therapy in locally advanced rectal cancer. Eur J Radiol. 2019 Sep;118:1-9. doi: 10.1016/j.ejrad.2019.06.013. Epub 2019 Jun 22.
- Horvat N, Bates DDB, Petkovska I. Novel imaging techniques of rectal cancer: what do radiomics and radiogenomics have to offer? A literature review. Abdom Radiol (NY). 2019 Nov;44(11):3764-3774. doi: 10.1007/s00261-019-02042-y.
- Trinh A, Trumpi K, De Sousa E Melo F, Wang X, de Jong JH, Fessler E, Kuppen PJ, Reimers MS, Swets M, Koopman M, Nagtegaal ID, Jansen M, Hooijer GK, Offerhaus GJ, Kranenburg O, Punt CJ, Medema JP, Markowetz F, Vermeulen L. Practical and Robust Identification of Molecular Subtypes in Colorectal Cancer by Immunohistochemistry. Clin Cancer Res. 2017 Jan 15;23(2):387-398. doi: 10.1158/1078-0432.CCR-16-0680. Epub 2016 Jul 26.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- IG24974
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .
Kliiniset tutkimukset Paksusuolisyöpä vaihe II
-
University of UtahNational Cancer Institute (NCI)RekrytointiVäsymys | Istuva elämäntapa | Metastaattinen eturauhassyöpä | Stage IV Prostate Cancer AJCC (American Joint Committee on Cancer) v8 | Stage IVA Eturauhassyöpä AJCC (American Joint Committee on Cancer) v8 | Stage IVB Eturauhassyöpä AJCC (American Joint Committee on Cancer) v8Yhdysvallat
-
Gynecologic Oncology GroupNational Cancer Institute (NCI)ValmisLymfaödeema | Perioperatiiviset/postoperatiiviset komplikaatiot | Vaiheen II Vulvar Cancer AJCC v7 | Vaihe IIIA Vulvar Cancer AJCC v7 | Vaihe IIIB Vulvar Cancer AJCC v7 | Vaihe IIIC Vulvar Cancer AJCC v7 | Stage IVA Vulvar Cancer AJCC v7 | Vaihe IA Vulvar Cancer AJCC v7 | Vaihe IB Vulvar Cancer AJCC v7 | Vaihe...Yhdysvallat
-
Jonsson Comprehensive Cancer CenterNational Cancer Institute (NCI); National Institutes of Health (NIH)Ei vielä rekrytointiaAnatomisen vaiheen II rintasyöpä AJCC v8 | Anatomisen vaiheen III rintasyöpä AJCC v8 | Varhaisen vaiheen rintasyöpä | Anatomic Stage I Breast Cancer American Joint Committee on Cancer (AJCC) v8Yhdysvallat
-
M.D. Anderson Cancer CenterNational Cancer Institute (NCI)RekrytointiVaiheen II Vulvar Cancer AJCC v8 | Vaiheen IIIC vulvar Cancer AJCC v8 | Stage IVA Vulvar Cancer AJCC v8 | Kolmannen vaiheen ulkosynnyttäjäsyöpä AJCC v8 | Vaihe IIIA Vulvar Cancer AJCC v8 | Vaihe IIIB Vulvar Cancer AJCC v8Yhdysvallat
-
City of Hope Medical CenterNational Cancer Institute (NCI)Aktiivinen, ei rekrytointiKlassinen Hodgkin-lymfooma | Lymfosyyttirikas klassinen Hodgkin-lymfooma | Ann Arbor Stage IB Hodgkinin lymfooma | Ann Arbor Stage II Hodgkinin lymfooma | Ann Arbor Stage IIA Hodgkinin lymfooma | Ann Arbor Stage IIB Hodgkinin lymfooma | Ann Arbor I vaiheen Hodgkinin lymfooma | Ann Arbor Stage I Mixed Cellularity... ja muut ehdotYhdysvallat
-
Jonsson Comprehensive Cancer CenterEli Lilly and Company; Genentech, Inc.RekrytointiMetastaattinen keuhkojen ei-pienisolusyöpä | Tulenkestävä keuhkojen ei-pienisolusyöpä | Stage IV Lung Cancer American Joint Committee on Cancer (AJCC) v8 | Stage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8Yhdysvallat
-
Gynecologic Oncology GroupNational Cancer Institute (NCI)Aktiivinen, ei rekrytointiVaiheen III vulvar Cancer AJCC v7 | Vaihe IIIA Vulvar Cancer AJCC v7 | Vaihe IIIB Vulvar Cancer AJCC v7 | Vaihe IIIC Vulvar Cancer AJCC v7 | Epäsuoran levyepiteelisyöpä | Stage IVA Vulvar Cancer AJCC v7Yhdysvallat
-
University of Southern CaliforniaNational Cancer Institute (NCI); Genentech, Inc.RekrytointiStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | Keuhkojen ei-pienisolukarsinooma | Vaiheen III keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8 | Vaiheen II keuhkosyöpä AJCC v8 | Stage IIA Lung Cancer AJCC v8 | Vaiheen IIB keuhkosyöpä AJCC v8 | Vaiheen IIIA keuhkosyöpä AJCC v8 | Vaiheen IIIB... ja muut ehdotYhdysvallat
-
Jonsson Comprehensive Cancer CenterPeruutettuEturauhasen adenokarsinooma | Vaiheen II eturauhassyöpä AJCC v8 | IIC-vaiheen eturauhassyöpä AJCC v8 | IIA-vaiheen eturauhassyöpä AJCC v8 | Vaiheen IIB eturauhassyöpä AJCC v8 | Stage I Eturauhassyöpä American Joint Committee on Cancer (AJCC) v8Yhdysvallat
-
Jonsson Comprehensive Cancer CenterNational Cancer Institute (NCI)Aktiivinen, ei rekrytointiVaiheen III eturauhasen adenokarsinooma AJCC v7 | Vaiheen II eturauhasen adenokarsinooma AJCC v7 | Stage I Eturauhasen adenokarsinooma American Joint Committee on Cancer (AJCC) v7Yhdysvallat