Tekoälyn ennustustyökalu kateenkorvan epiteelin kasvaimissa (INTHYM)
Tekoäly kateenkorvan epiteelin kasvainten histopatologiseen luokitukseen ja uusiutumisen ennustamiseen
Tämän monikeskisen havainnointitutkimuksen tavoitteena on parantaa kateenkorvan epiteelin kasvainten luokittelua ja ennustaa uusiutumisriskejä tekoälymalleja käyttäen. Analysoimalla digitaalista patologiaa ja kliinisiä muuttujia projektissa puututaan WHO:n nykyisen luokitusjärjestelmän eroihin.
Pääkysymykset:
- Voivatko tekoälymallit parantaa kateenkorvan epiteelin kasvainten luokittelun tarkkuutta?
- Ennustavatko tekoälymallit paremmin uusiutumisriskit WHO:n luokitusjärjestelmään verrattuna?
Osallistujan tehtävät:
- Digitaalinen patologinen analyysi.
- Kehitä tekoälymalleja tarkkaa luokittelua ja uusiutumisriskien ennustamista varten.
Vertailuryhmä:
Tutkijat vertaavat tekoälyllä tehostettua luokittelua WHO:n järjestelmään selvittääkseen, tarjoavatko tekoälymallit tarkemman alatyypin ja ennustavatko toistumisriskit paremmin.
Opintojen suunnittelu:
Tämä kansainvälinen projekti hyödyntää kolmea Rotterdamin, Maastrichtin ja Lyonin tietokantaa, joista yksi on tekoälymallien rakentamiseen ja kaksi ulkoiseen validointiin.
Lopullinen päämäärä:
Kehittää tekoälymalleja, jotka tukevat patologia kateenkorvan epiteelin kasvainten alatyypittämisessä tarkasti ja estävät ali- tai ylihoidon adjuvanttisädehoidolla henkilökohtaisemman ja tehokkaamman hoidon saamiseksi.
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
Kateenkorvan epiteelin kasvaimet ovat harvinaisia kasvaimia anteriorisessa välikarsinassa. Hoidon kulmakivi on kirurginen resektio. Postoperatiivisen sädehoidon antaminen on yleensä aiheellista potilaille, joilla on laajempi paikallinen sairaus, epätäydellinen resektio ja/tai aggressiivisempia alatyyppejä WHO:n histopatologisen luokituksen mukaan.
Tässä luokituksessa erotetaan tymoomatyypit A, AB, B1, B2, B3 ja kateenkorvan syöpä. Tutkimukset ovat osoittaneet suuria eroja patologien välillä näiden kasvainten alatyypeissä. Lisäksi WHO:n luokitus ei yksinään ennusta tarkasti uusiutumisriskiä, koska alatyypeissä potilailla on erilaisia ennusteita.
Kehitämme tekoälymalleja käyttämällä digitaalista patologiaa ja relevantteja kliinisiä muuttujia parantaaksemme kateenkorvan epiteelin kasvainten histopatologisen luokituksen tarkkuutta ja ennustaaksemme paremmin uusiutumisriskiä.
Tässä monikeskisessä ja kansainvälisessä hankkeessa käytetään kolmea olemassa olevaa tietokantaa Rotterdamista, Maastrichtista ja Lyonista. Kaikille malleille yhtä tietokantaa käytetään tekoälymallien rakentamiseen ja kahta muuta ulkoiseen validointiin.
Tämän projektin perimmäisenä tavoitteena on kehittää tekoälymalleja, jotka tukevat patologia kateenkorvan epiteelin kasvainten oikean alatyypin määrittämisessä, jotta vältetään potilaiden ali- tai ylihoito adjuvanttisädehoidolla.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Anna Salut Esteve Domínguez
- Puhelinnumero: 0107043491
- Sähköposti: a.estevedominguez@erasmusmc.nl
Opiskelupaikat
-
-
South Holland
-
Rotterdam, South Holland, Alankomaat, 3015 GD
- Rekrytointi
- Erasmus MC
-
Ottaa yhteyttä:
- Anna Salut Esteve Domínguez
- Sähköposti: a.estevedominguez@erasmusmc.nl
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Tutkimusväestö:
Tämä tutkimus keskittyy henkilöihin, joilla on diagnosoitu kateenkorvan epiteelin kasvaimet. Tutkimus sisältää potilaita kolmesta tietojoukosta: Erasmus MC (710 potilasta), Maastro (137 potilasta) ja University Hospital Lyon (181 potilasta).
Lisäinformaatio:
- Erasmus MC (710 potilasta): Sisältää iän, sukupuolen ja diagnoositiedot; jokaisella potilaalla voi olla useita kokonaisia diakuvia.
- Maastro (137 potilasta): Jokaisella potilaalla voi olla useita kokonaisia diakuvia.
- University Hospital Lyon (181 potilasta): Jokaisella potilaalla voi olla useita kokonaisia diakuvia.
Kuvaus
Sisällyttämiskriteerit:
Osallistujat, joilla on tietty diagnoosi, ovat oikeutettuja mukaan tutkimukseen. Sopivia diagnooseja ovat erilaiset tymooman ja kateenkorvan karsinooman alatyypit, erityisesti:
- Thymoma A
- Thymoma AB
- Thymooma B1
- Thymooma B2
- Thymooma B3
- Kateenkorvan syöpä
Inkluusio perustuu konsensusdiagnoosiin, jonka yksimielisyysaste on alle 70 %. Tätä kriteeriä sovelletaan mallin koulutusvaiheessa.
Toistumiskriteerit:
Osallistujat, joilla on dokumentoitu uusiutuminen viiden vuoden aikana, katsotaan kelvollisiksi tähän tutkimuksen osa-alueeseen. Tätä kriteeriä sovelletaan ensisijaisesti validointivaiheessa.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Potilaat, joilla on TET
Potilaat, joilla on diagnosoitu seuraavat TET-alatyypit:
|
AI Diagnostics käyttää kehittyneitä algoritmeja tarkkaan histologiseen kuva-analyysiin auttaakseen diagnosoimaan sairauden, mukaan lukien alatyypin.
Muut nimet:
|
|
Toistuminen
Potilaat, joilla on kateenkorvan epiteelin kasvaimia, jotka ovat kokeneet uusiutumisen.
|
Tämä tekoälytyökalu arvioi kateenkorvan kasvaintietoja ja muita kliinisiä tietoja ja laskee uusiutumisriskin tarkoituksenaan analysoida, liittyykö kateenkorvan epiteelin kasvainten tiettyihin alatyyppeihin ja kliinisiin tietoihin.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
WP1 - Tietokannat/tietojen esikäsittely
Aikaikkuna: M1-M18
|
EMC-aineisto sisältää 179 kokeneiden TET-patologien luokittelemaa TET-potilasta.
Tekoälymallien koulutuksessa käytetään tapauksia, joissa patologit sopivat hyvin.
Arviointi sisältää kansainvälisen asiantuntijapaneelin arvioimat digitoidut patologiset diat.
MUMC-tietokanta (137 potilasta) ja CHUL-tietokanta (181 potilasta) tarjoavat lisätietoa, mukaan lukien kliiniset muuttujat.
Merkittäviä tekijöitä ovat ikä, sukupuoli, kasvaimen tilavuus, vaihe, resektion täydellisyys, autoimmuunihäiriöt ja hoidon yksityiskohdat.
|
M1-M18
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
WP2 - Deep Learning-malli TET-luokitukseen ja toistumisen ennustamiseen
Aikaikkuna: M6-M32
|
Tämän tuloksen tavoitteena on luoda tekoälykehys, jolla on kaksi päätavoitetta.
Ensin tutkitaan TET-alatyyppejä käyttämällä neljää eri mallia, jotka painottavat solutyyppiä, morfologisia rakenteita ja yhdistelmää.
Toiseksi, luokitella potilaat uusiutumisen perusteella viiden vuoden sisällä.
Ablaatiotutkimus tehdään uusimmilla syväoppimisen luokittelijoilla (ResNet, Inception).
|
M6-M32
|
Muut tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
WP3: Kliininen arviointi
Aikaikkuna: M6-M36
|
AI-mallit 1-3 rakennetaan ja validoidaan EMC-tietokantaan, kun taas AI-malli 4 rakennetaan MUMC+-tietokantaan ja validoidaan molemmissa.
Mallin suorituskykyä arvioidaan käyttämällä herkkyyttä, spesifisyyttä, negatiivista/positiivista ennustusarvoa.
Päätösanalyysikäyrät ilmaisevat kliinisen hyödyn kvantitatiivisesti ja tunnistavat eniten hyödyllisiä potilasryhmiä.
|
M6-M36
|
Yhteistyökumppanit ja tutkijat
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Wolf JL, van Nederveen F, Blaauwgeers H, Marx A, Nicholson AG, Roden AC, Strobel P, Timens W, Weissferdt A, von der Thusen J, den Bakker MA. Interobserver variation in the classification of thymic lesions including biopsies and resection specimens in an international digital microscopy panel. Histopathology. 2020 Nov;77(5):734-741. doi: 10.1111/his.14167. Epub 2020 Sep 24.
- Molina TJ, Bluthgen MV, Chalabreysse L, de Montpreville VT, de Muret A, Dubois R, Hofman V, Lantuejoul S, le Naoures C, Mansuet-Lupo A, Parrens M, Piton N, Rouquette I, Secq V, Girard N, Marx A, Besse B. Impact of expert pathologic review of thymic epithelial tumours on diagnosis and management in a real-life setting: A RYTHMIC study. Eur J Cancer. 2021 Jan;143:158-167. doi: 10.1016/j.ejca.2020.11.011. Epub 2020 Dec 11.
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
- Maastro Clinic
- 72725524 (Muu apuraha/rahoitusnumero: Hanarth Fonds)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
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 .