Neuroblastooman metastaasien havaitsemisen riskimalli (NB)
Luuytimen sytologiaan perustuva tekoälymalli neuroblastooman havaitsemiseen ja ennustamiseen
Neuroblastooma (NB) on yleisin kallonulkoinen kiinteä kasvain lapsilla, ja sen osuus kasvaimeen liittyvästä kuolleisuudesta on noin 15 %. Korkean riskin ryhmässä olevat NB-potilaat ovat alttiita luuytimeen ja/tai luumetastaasseille, ja viiden vuoden kokonaiseloonjäämisaste on alhainen. Tekoälyllä (AI) ja syväoppimistekniikoilla on potentiaalia tunnistaa luuytimen sytologian morfologisia ominaisuuksia kliinisessä käytännössä. Tässä tutkimuksessa tutkijat rakentavat ja arvioivat luuytimen sytologiaan perustuvan AI-mallin NB:n havaitsemiseksi ja ennustamiseksi. Tutkimuksen pääkysymykset ovat seuraavat:
Kysymys 1: Annosluuytimen sytologiaan perustuva AI-malli toimii luuytimen etäpesäkkeiden ennustamisessa NB:ssä? Kysymys 2: Annosluuytimen sytologiaan perustuva AI-malli toimii luumetastaasien ennustamisessa NB:ssä? Kysymys 3: Annosluuytimen sytologiaan perustuva AI-malli voi auttaa lääkäreitä tekemään yksilöllisiä ennusteita selviytymistuloksesta? Tutkijat hankkivat osallistujat takautuvasti NB:n kanssa tammikuun 2019 ja kesäkuun 2024 välisenä aikana. Seurantapäivä päättyi 30.6.2024.
Sisäinen kohortti, johon kuuluu osallistujia Xinhuan sairaalasta, Shanghai Jiao Tong -yliopiston lääketieteellisestä korkeakoulusta. Riippumattomat ulkoiset kohortit, mukaan lukien osallistujat, muodostavat lastensairaalan, Zhejiangin yliopiston lääketieteellisen korkeakoulun ja Shenzhenin lastensairaalan.
Tutkijat keräävät kliiniset tiedot ilmoittautuneista potilaiden ensimmäisestä sairaalahoidosta tullessa ennen hoitoa. Kliiniset tiedot, mukaan lukien ikä, sukupuoli, primaarisen kasvaimen sijainti, kasvaimen aste, luuytimen etäpesäkkeiden tila, luuytimen etäpesäkkeiden tila, geneettiset poikkeamat (MYCN-vahvistus, kromosomi 1p -deleetio, kromosomi 11q -deleetio) ja laboratoriomuuttujat (perifeeristen verisolujen määrä, luuytimen sytologia) indikaattorit, laktaattidehydrogenaasin pitoisuus seerumissa, neuronispesifinen enolaasi).
Tämä tutkimus on ei-interventiivinen havainnointitutkimus, ei riskiä osallistujille ja tutkijoille. Osallistujat saavat seuraavat edut:
- Varhainen havaitseminen: Malli auttaa riskien varhaisessa tunnistamisessa ja hoidon personoinnissa.
- Mukavuus: Koska malli perustuu yleisiin laboratoriotesteihin, se on helppo suorittaa, mikä vähentää invasiivisia diagnostisia toimenpiteitä.
- Kustannustehokas: Nykyisten rutiinitestien kliinisten tietojen käyttäminen voi tehdä ennusteprosessista kustannustehokkaamman.
- Tietoihin perustuvat päätökset: AI-malli parantaa diagnostiikan tehokkuutta ja tukee lääketieteellistä päätöstä.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Tietojoukon käsittely. Tässä tutkimuksessa malli sisältää koulutussarjan, validointisarjan ja testisarjat. Mallin rakentamisen aikana tutkijat käsittelevät koulutuksen sisäisessä kohortissa kohdistamalla ilmoittautuneet osallistujat satunnaisesti koulutus- ja validointijoukkoon suhteessa 8:2. Tutkijat käyttävät ulkopuolisten kohorttien osallistujia testisarjoina arvioidakseen mallin suorituskykyä itsenäisesti ja valitakseen sitten parhaan mallin tulevaa käyttöä varten.
Shanghai Jiaotongin yliopiston lääketieteelliseen korkeakouluun kuuluvan Xinhuan sairaalan eettinen komitea hyväksyi tämän tutkimuksen (XHEC-C-2024-023-2).
- kuvan hankinta. Tekoälymallissa tutkijat käyttävät ilmoittautuneiden osallistujien luuydinnäytteitä sytologiseen arviointiin ja kuvien keräämiseen. Solujen luokittelun ja etäpesäkkeiden havaitsemisen aikana kokeneet patologit suorittavat luuytimen sivelynäytteen analyysin, metastaattiset NB-klusterit luuytimessä osoittivat yleensä aggregoituneita pyöreitä epätyypillisiä soluja, joilla oli korkea tuma/sytoplasminen suhde. Tutkijat skannaavat värjäytyneen luuydinnäytteen 40-kertaisella suurennuksella digitaalista koko diakuvausta (WSI) varten. Tutkijat jakavat WSI:t pienempiin tiloihin 512 × 512 pikselin laatoiksi ja soveltavat Vahadane-menetelmää pienten laattojen värin normalisointiin.
Syväoppimiskoulutus. Luuytimen sytologisen kuvan ominaisuusuutossa prosessi sisältää kaksi ennustetasoa: patch-tason ja WSI-tason ennusteet.
Patch-tason ennusteita varten tutkijat tekevät etikettiennusteita ja niiden todennäköisyyksiä kaikille korjauspäivityksille. Tutkijat soveltavat mallia syväoppimisprosessissa seuraavasti: tunnustettu hermoverkko (CNN)-resnet50 ja Vision Transformer (ViT). Mallin parametrikonfiguraatiot ovat seuraavat: optimoija-SGD, häviöfunktio-softmax cross-entropy, eräkoolla 64.
WSI-tason ennusteissa tutkijat käyttävät multi-instance learning (MIL) -algoritmia hajautettujen korjaustiedostotason ominaisuuksien yhdistämiseen WSI-tason ominaisuuksiksi. WSI-fuusion MIL:n aikana tutkijat tekevät WSI-tason ennusteita Patch Likelihood Histogram (PLH) -liukuhihnan ja Bag of Words (BoW) -liukuhihnan yhdistelmänä. Tämän jälkeen tutkijat saavat WSI-tason ennusteen osallistujan lopullisiksi esityksiksi myöhempiä analyyttisiä operaatioita varten.
Allekirjoitusrakennus. Ominaisuuksien valinnan prosessissa tutkijat käyttävät LASSO- (Least Absolute Shrinkage and Selection Operator) -ominaisuusseulontaa määrittääkseen luuytimen sytologian lopulliset WSI-tason piirteet. Nämä valitut ominaisuudet käsiteltiin sitten koneoppimismenetelmillä tekoälymallin kehittämiseksi. tutkijat käyttävät useita koneoppimisalgoritmeja ennustaakseen osallistujien luuytimen ja/tai luun etäpesäkkeitä, kuten tukivektorikoneita (SVM), logistista regressiota (LR), puupohjaisia malleja, kuten satunnaisia metsiä ja äärimmäisen satunnaistettuja puita ( ExtraTrees), extreme Gradient Boosting (XGBoost) ja light gradient boosting machine (LightGBM) sekä monikerroksinen perceptron (MLP) kehittämään mallit.
Ennustemallissa tutkijat käyttävät Cox-malleja eloonjäämismallin rakentamiseen, jossa on luuytimen sytologinen allekirjoitus ja kliiniset ominaisuudet.
- Mallin arviointi ja tilastollinen analyysi. Tutkijat vertaavat osallistujan kliinisiä ominaisuuksia riippumattomien otosten t-testillä jatkuville muuttujille ja χ²-testillä diskreeteille muuttujille SPSS-versiossa 22.0 (SPSS, Inc., Chicago, IL, USA). P ≤ 0,05 katsottiin tilastollisesti merkitseväksi.
Diagnostisessa mallissa tutkijat käyttävät sekä mikro- että makrokäyrän alla olevaa pinta-alaa (AUC) arvioidakseen mallia herkkyyden, spesifisyyden, tarkkuuden, positiivisen ennustusarvon ja negatiivisen ennustusarvon suhteen eri luokituskynnyksillä. Mallin suorituskykyä ja tehokkuutta arvioitiin erillisessä testikohortissa. Tutkimus käyttää mukautettua Python-koodia, joka on kirjoitettu Python v.3.7.12:ssa mallin suorituskyvyn arvioimiseksi.
Prognostisessa mallissa tutkijat käyttävät AUC:ta suorituskykymittarina ja laskevat herkkyyttä ja spesifisyyttä. Parhaaksi malliksi valittiin testisarjassa parhaiten suoriutunut malli. Eloonjäämiskäyrät muodostettiin Kaplan-Meier-menetelmän mukaisesti.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Shenzhen, Kiina, 518038
- Shenzhen Children's Hospital
-
-
Shanghai
-
Shanghai, Shanghai, Kiina, 200092
- Xinhua Hospital Affiliated to Shanghai Jiaotong University School of Medicine
-
-
Zhejiang
-
Hangzhou, Zhejiang, Kiina
- The Children's Hospital, Zhejiang University School of Medicine
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Tämä tutkimus sisälsi osallistujia, joilla oli äskettäin diagnosoitu NB tammikuun 2019 ja kesäkuun 2024 välisenä aikana. Seurantapäivä päättyi 30.6.2024.
Sisäinen kohortti, johon kuuluu osallistujia Xinhuan sairaalasta, Shanghai Jiao Tong -yliopiston lääketieteellisestä korkeakoulusta. Riippumattomat ulkoiset kohortit, mukaan lukien osallistujat, muodostavat lastensairaalan, Zhejiangin yliopiston lääketieteellisen korkeakoulun ja Shenzhenin lastensairaalan. Kaikki osallistujat ovat tehneet rutiinitutkimuksena luuydinnäyteanalyysin. Wright-Giemsalla värjätty luuydinnäyte tehtiin standardiprotokollien mukaisesti. Kokeneen patologin suorittama diagnoosi korreloi kliinisten ja/tai radiologisten löydösten kanssa.
Kuvaus
Sisällön kriteerit:
- Osallistujalla on äskettäin diagnosoitu NB kansainvälisen neuroblastoomariskiryhmävaiheen järjestelmän (INRGSS) mukaan. Kokeneen patologin suorittama diagnoosi korreloi kliinisten ja/tai radiologisten löydösten kanssa.
- Osallistujalla diagnosoitiin NB muissa sairaaloissa, jotka eivät ole saaneet kemoterapiaa tai sädehoitoa.
- NB:tä sairastava on tehnyt rutiinitutkimuksena luuydinnäyteanalyysin. Wright-Giemsalla värjätty luuydinnäyte tehtiin standardiprotokollien mukaisesti.
Poissulkemiskriteerit:
- Osallistuja, jolla on samanaikaisesti diagnosoitu muita pahanlaatuisia kasvaimia.
- Osallistuja, jolla on NB ja joka on aiemmin saanut kemoterapiaa ja/tai sädehoitoa.
- Osallistujan, jolla on puutteelliset kliiniset tiedot, luuytimen ja/tai luun etäpesäketila on epäselvä.
- Osallistuja suljettiin pois ei-edustavien näytteiden, kuten epäselvän tai haalistuneen luuydinnäytteen Wright-Giemsa-värjäyksen vuoksi.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Neuroblastooma, jossa on luuytimen metastaasiryhmä
Luuytimen etäpesäkkeitä sisältävän neuroblastooman diagnosoimiseksi lääketieteelliset käytännöt, mukaan lukien seuraavat: luuytimen biopsia, aspiraationäytteen luuytimen sytologia, virtaussytometria ja positroniemissiotomografia-tietokonetomografia (PET-CT).
Luuydinbiopsia tai sivelynäyte voi paljastaa tyypillisiä NB-soluja.
Virtaussytometria voi havaita NB-soluja, joilla on erilaistumisantigeeniklusterin fenotyyppi 45(CD45)-/differentiaatioantigeeniklusteri 56(CD56)+/differentiaatioantigeeniklusteri 81(CD81)+/GD2-gangliosidi (GD2)+.
PET/CT-kuvaus paljastaa metastaattiset NB-solut aineenvaihduntaaktiivisuuden ja metastaattisen osallistumisen tilajakauman suhteen.
Positiivinen tulos mistä tahansa näistä menetelmistä riittää NB-diagnoosiksi, jolla on luuytimen etäpesäke.
|
Tässä tutkimuksessa rakennamme ja arvioimme luuytimen sytologiaan perustuvan AI-mallin NB:n havaitsemiseksi ja ennustamiseksi.
|
|
Neuroblastooma ilman luuytimen etäpesäkkeitä ryhmä
Luuytimen etäpesäkkeiden diagnosoimiseksi ilmoittautuneilla osallistujilla, jos mistään näistä testeistä ei ole positiivista tulosta seuraavasti: luuytimen biopsia, luuytimen sytologia sivelynäytteestä, virtaussytometria tai PET/CT, osallistuja luokitellaan neuroblastoomaan. Ilman luuytimen metastaasiryhmää.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Neuroblastooma, jossa on luuytimen etäpesäkkeitä
Aikaikkuna: Aika neuroblastooman alkuperäisestä diagnoosista kemoterapian tai sädehoidon aloittamiseen, enintään 3 kuukautta.
|
lääketieteelliset käytännöt luuytimen etäpesäkkeiden diagnosoinnissa, mukaan lukien seuraavat: luuytimen biopsia, aspiraationäytteen luuytimen sytologia, virtaussytometria ja PET/CT.
Luuydinbiopsia tai sivelynäyte voi paljastaa tyypillisiä NB-soluja.
Virtaussytometria voi havaita NB-soluja, joiden fenotyyppi on CD45-/CD56+/CD81+/GD2+. PET/CT-kuvaus paljastaa metastaattiset NB-solut aineenvaihduntaaktiivisuuden ja metastaattisen osallistumisen tilajakauman suhteen.
Positiivinen tulos mistä tahansa näistä menetelmistä riittää NB-diagnoosiksi, jolla on luuytimen etäpesäke.
|
Aika neuroblastooman alkuperäisestä diagnoosista kemoterapian tai sädehoidon aloittamiseen, enintään 3 kuukautta.
|
|
Neuroblastooma, jossa on luumetastaaseja
Aikaikkuna: Aika neuroblastooman alkuperäisestä diagnoosista kemoterapian tai sädehoidon aloittamiseen, enintään 3 kuukautta.
|
Diagnoosimme NB:llä luun etäpesäkkeitä, jos luun tuhoutuminen tai luukuoren epäjatkuvuus radiologiassa, mukaan lukien CT, PET/CT, MRI.
|
Aika neuroblastooman alkuperäisestä diagnoosista kemoterapian tai sädehoidon aloittamiseen, enintään 3 kuukautta.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Yleinen selviytymisaika
Aikaikkuna: opintojen päätyttyä, jopa 60 kuukautta.
|
Kokonaiseloonjääminen (OS) määriteltiin ajaksi neuroblastooman diagnoosista kuolemaan mistä tahansa syystä.
|
opintojen päätyttyä, jopa 60 kuukautta.
|
Yhteistyökumppanit ja tutkijat
Yhteistyökumppanit
Tutkijat
- Päätutkija: juan ma, Doctor, Xin Hua Hospital, Shanghai Jiao Tong University School of Medicine
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
- Patologiset prosessit
- Neoplasmat
- Neoplasmat histologisen tyypin mukaan
- Kasvaimet, rauhas- ja epiteelikasvaimet
- Neoplastiset prosessit
- Neoplasmat, neuroepiteliaaliset
- Neuroektodermaaliset kasvaimet
- Neoplasmat, sukusolut ja alkiot
- Kasvaimet, hermokudos
- Neuroektodermaaliset kasvaimet, primitiiviset, perifeeriset
- Neuroektodermaaliset kasvaimet, primitiiviset
- Kasvaimet, toinen ensisijainen
- Neoplasman metastaasit
- Neuroblastooma
Muut tutkimustunnusnumerot
- XH-24-008
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jaon käyttöoikeuskriteerit
IPD:n käyttöoikeussopimus:
Kuka voi käyttää:
Tutkijat, akateemiset laitokset ja muut tutkijat, jotka ovat kiinnostuneita lähialojen tutkimuksen tekemisestä.
Mitä he voivat käyttää:
Kliiniset tulokset, laboratoriotestien tulokset, demografiset tiedot ja muut tutkimukseen liittyvät tiedot.
Kuinka he voivat käyttää sitä:
Heidän on lähetettävä pääsypyyntölomake, jossa esitetään tutkimuksensa tarkoitus. Kaikki pyynnöt käsittelee tutkimuksen päätutkija, joka päättää, myönnetäänkö käyttöoikeus tutkimuseettisten ja tiedonkäyttökäytäntöjen perusteella. Tiedot toimitetaan suojatun verkkoalustan kautta yksityisyyden ja turvallisuuden takaamiseksi.
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- MAHLA
- ICF
- ANALYTIC_CODE
- CSR
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Yhdysvalloissa valmistettu ja sieltä viety tuote
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 .