Syvä oppimispohjainen kolorektaalisyövän patologiakuvien analyysi: innovatiivinen lähestymistapa kolorektaalisyövän alatyyppien ennustamiseen
sunnuntai 13. huhtikuuta 2025 päivittänyt: Yunfang Yu, Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
AI-moottorit kopilotit tarkkuusdiagnosointiin ja histologisten kasvumallien kirurgiseen arviointiin resektoitavissa kolorekaalisissa maksametastaaseissa: tulevaisuuden tutkimus
Kolorektaalisyöpä (CRC) on johtava kuolleisuuden syy Kiinassa, ja etäpesäkkeet vaikuttavat merkittävästi huonoihin tuloksiin.
Histopatologiset kasvumallit (HGP) kolorektaalisessa maksan etäpesäkkeissä (CRLM) tarjoavat elintärkeitä prognostisia oivalluksia, mutta rajoitettu määrä patologeja korostaa apudiagnostiikkatyökalujen tarvetta.
Äskettäiset keinotekoisen älykkyyden (AI) edistykset ovat osoittaneet potentiaalia diagnostisen tarkkuuden parantamisessa, mikä kehottaa kehittämään kahvia erikoistuneiden AI -mallien, kuten HGP: n luokittelua ja hallintaa CRLM -potilailla.
Tämän tutkimuksen tavoitteena on kehittää ja validoida muuntajapohjaista syvän oppimismallin, kahvia, kolorektaalisyövän alatyyppien luokitteluun käyttämällä kokonaisia diakuvia (WSIS) potilailta, joilla on diagnosoitu kolorektaalisyövän maksan etäpesäke.
Malli on ennen koulutettua käyttämällä TCGA-coad-kohortin WSI: ien itsevalvottua oppimista (DINO) hyödyntämällä Vision Transformer (Vit) -arkkitehtuuria 384-ulotteisen ominaisuusvektorin purkamiseksi 256 × 256 pikselin laastarista.
Kahvimalli integroi muuntajapohjaisen monen ilmentymän oppimisen (TRANSPIL) -kehyksen, joka sisältää monen pään itsehallinnon ja pyramidin asennon koodausgeneraattorin (PPEG) moduulit aggregoidakseen alueellisen ja morfologisen tiedon.
Tutkimus sisältää koulutuksen, testauksen ja mahdollisen validointikohortin ja arvioidaan mallin suorituskykyä sekä binaarisissa että moniluokkaisissa luokitusasetuksissa, samoin kuin sen mahdollisuudet auttaa patologeja kliinisissä työnkulkuissa.
Tutkimuksen yleiskatsaus
Tila
Valmis
Ehdot
Interventio / Hoito
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
431
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Guangdong
-
Guangzhou, Guangdong, Kiina, 510655
- Ethics Committee of the Sixth Affiliated Hospital of Sun Yat-sen University
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Tutkimukseen osallistui 431 potilasta, joilla oli kolorektaalisyövän maksan etäpesäke, ja kaikki tehtiin leikkaus Sun Yat-senin yliopiston kuudennessa sidosryhmässä.
Kohortti koostui 297 potilaasta harjoitusjoukossa ja 104 potilasta testausjoukossa.
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joilla on diagnosoitu kolorektaalisyövän maksan etäpesäkkeet (CRLM) kirurgisella hoidolla;
- Resektoitujen metastaattisten vaurioiden enimmäishalkaisijan tulisi olla ≥ 2 cm;
- Patologian saatavuus liukuu yhdessä kliinisten, biologisten ja patologisten piirteiden lähtötason kanssa.
Poissulkemiskriteerit:
- Kudosleikkeet, jotka on saatu biopsianäytteistä;
- Elinkelpoisen kasvainkudoksen puuttuminen metastaattisissa vaurioissa;
- Leesiot, joita on aiemmin hoidettu ablaatiolla, jota seurasi kirurginen resektio, mikä johtaa riittämättömään kudoksen liukumäen laatuun.
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Kirurginen patologia liukuu Sahsysusta, 1 994 WSI: stä 297 dioista, päivätty 3. heinäkuuta 2013.
Tämä ryhmä sisältää 297 potilasta, joilla on kolorektaalisyövän maksan metastaasi (CRLM), joista kerättiin 1 994 kokonaista liukukuvaa (WSI).
Näitä dioja käytettiin kahvin AI -mallin kehittämiseen ja testaamiseen histopatologisen kasvukuvion (HGP) luokittelussa, mikä tarjosi arvokkaita näkemyksiä kasvaimen karakterisoinnista ja ennusteesta.
|
Kolorektaalisyövän maksan etäpesäkkeiden (CRLM) kirurginen resektio sisältää metastaattisten vaurioiden poistamisen maksasta.
Tämän toimenpiteen tarkoituksena on parantaa eloonjäämisastetta ja vähentää kasvaimentaakkaa potilailla, joilla on diagnosoitu CRLM.
Resektio suoritetaan maksan etäpesäkkeiden hoitamiseksi, ja kliiniset tulokset, kuten etenemisvapaa eloonjääminen (PFS) ja yleinen eloonjääminen (OS), arvioidaan leikkauksen jälkeen hoidon tehokkuuden määrittämiseksi.
|
|
Kirurginen patologia liukuu Sahsysusta, 972 WSI: stä 104 potilaasta, päivätty 21. huhtikuuta 2023.
Tämä kohortti sisältää 104 potilasta, joilla on diagnosoitu CRLM.
972 WSI: tä kerättiin kahvimallin validoimiseksi uudemmassa aineistossa arvioimalla mallin suorituskykyä sekä binaarisissa että neljän luokan HGP-luokituksissa.
|
Kolorektaalisyövän maksan etäpesäkkeiden (CRLM) kirurginen resektio sisältää metastaattisten vaurioiden poistamisen maksasta.
Tämän toimenpiteen tarkoituksena on parantaa eloonjäämisastetta ja vähentää kasvaimentaakkaa potilailla, joilla on diagnosoitu CRLM.
Resektio suoritetaan maksan etäpesäkkeiden hoitamiseksi, ja kliiniset tulokset, kuten etenemisvapaa eloonjääminen (PFS) ja yleinen eloonjääminen (OS), arvioidaan leikkauksen jälkeen hoidon tehokkuuden määrittämiseksi.
|
|
Kirurginen patologia liukuu Sahsysusta, 114 WSI: stä 30: stä potilasta, jotka ovat päivätty 2024.
Tämä mahdollinen kohortti koostuu 30 CRLM -potilaasta, joista 114 WSI: tä saatiin vuonna 2024.
Kohorttia käytettiin arvioimaan kahvin AI -mallin kliinistä sovellettavuutta tulevaisuuden tutkimuksen avulla vertaamalla patologien diagnostista suorituskykyä AI -apua ja ilman sitä.
|
Kolorektaalisyövän maksan etäpesäkkeiden (CRLM) kirurginen resektio sisältää metastaattisten vaurioiden poistamisen maksasta.
Tämän toimenpiteen tarkoituksena on parantaa eloonjäämisastetta ja vähentää kasvaimentaakkaa potilailla, joilla on diagnosoitu CRLM.
Resektio suoritetaan maksan etäpesäkkeiden hoitamiseksi, ja kliiniset tulokset, kuten etenemisvapaa eloonjääminen (PFS) ja yleinen eloonjääminen (OS), arvioidaan leikkauksen jälkeen hoidon tehokkuuden määrittämiseksi.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kahvin AI -mallin luokitustarkkuus (%) histopatologisten kasvukuvioiden (HGP) binaarisen tunnistamisen CRLM: ssä käyttämällä kokonaisia diakuvia
Aikaikkuna: 6 kuukautta leikkauksen jälkeen (mahdollisille kohortille)
|
Tämä tulos mittaa kahvin AI -mallin diagnostista luokitustarkkuutta histopatologisten kasvukuvioiden (HGP) havaitsemiseksi potilailla, joilla on kolorektaalisyövän maksan metastaasit (CRLM).
Tarkkuus määritellään oikein ennustettujen HGP -tarrojen osuutena verrattuna asiantuntijapatologien yksimielisyyden määrittämiin maa -totuusetiketeisiin.
Analyysi sisältää binaariluokituksen (desmoplastinen vs. ei-desmoplastinen).
Tarkkuus lasketaan seuraavasti: tarkkuus = oikeiden ennusteiden ennusteiden kokonaismäärä / 100%.
Tulos arvioidaan käyttämällä leikkauksen aikana kerättyjä maksametastaasinäytteistä saatuja digitaalisia kokonaisia diakuvia.
Mallin suorituskykyä arvioidaan 6 kuukauden leikkauksen jälkeen mahdollisessa validointikohortissa.
|
6 kuukautta leikkauksen jälkeen (mahdollisille kohortille)
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kahvi-AI-mallin luokitustarkkuus (%) histopatologisten kasvukuvioiden (HGP) moniluokkaisen tunnistamisen yhteydessä CRLM: ssä kokonaisten diakuvien avulla
Aikaikkuna: 6 kuukautta leikkauksen jälkeen (mahdollisille kohortille)
|
Tämä tulos mittaa kahvin AI -mallin diagnostista luokitustarkkuutta histopatologisten kasvukuvioiden (HGP) havaitsemiseksi potilailla, joilla on kolorektaalisyövän maksan metastaasit (CRLM).
Tarkkuus määritellään oikein ennustettujen HGP -tarrojen osuutena verrattuna asiantuntijapatologien yksimielisyyden määrittämiin maa -totuusetiketeisiin.
Analyysi sisältää neliluokan luokituksen (desmoplastinen, korvaaminen, työntäminen ja sekoitettu).
Tarkkuus lasketaan seuraavasti: tarkkuus = oikeiden ennusteiden ennusteiden kokonaismäärä / 100%.
Tulos arvioidaan käyttämällä leikkauksen aikana kerättyjä maksametastaasinäytteistä saatuja digitaalisia kokonaisia diakuvia.
Mallin suorituskykyä arvioidaan 6 kuukauden leikkauksen jälkeen mahdollisessa validointikohortissa.
|
6 kuukautta leikkauksen jälkeen (mahdollisille kohortille)
|
Muut tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Etenemisvapaa eloonjääminen (PFS, kuukausina) kolorektaalisyövän maksan etäpesäkkeissä (CRLM) potilailla, jotka on otettu AI-pohjaisen histopatologisen kasvukuvion (HGP) luokitteluun
Aikaikkuna: Jopa 3 vuotta leikkauksen jälkeen
|
Tämä tulos arvioi AI-pohjaisen HGP-luokituksen (desmoplastisen ja ei-desmoplastisen) ja etenemisvapauden eloonjäämisen (PFS) välistä yhteyttä potilailla, joilla on kolorektaalisyövän maksan metastaasit (CRLM), parannettua tarkkaan resektion jälkeen.
PFS on määritelty ajankohtana leikkauksesta sairauden etenemiseen tai kuolemaan mistä tahansa syystä.
Kaplan-Meier-analyysiä käytetään PFS: n arvioimiseksi jokaiselle HGP-ryhmälle vertailujen kanssa log-rank-testillä.
Monimuuttujaisen Cox -regressiomallit arvioivat HGP: n prognostista arvoa, mukauttaen kliinisiä muuttujia (esim. Ikä, sukupuoli, metastaasien lukumäärä/koko, kemoterapia, marginaalin tila, kasvaimen taakan pisteet).
Vaarasuhteet, joiden luottamusväli on 95%, ilmoitetaan.
Malli -oletukset testataan ja säädetään tarvittaessa.
|
Jopa 3 vuotta leikkauksen jälkeen
|
|
Kolorektaalisyövän maksan metastaasien (CRLM) potilaiden yleinen eloonjääminen (OS, kuukausina) AI-pohjaisen histopatologisen kasvukuvion (HGP) luokittelu (CRLM)
Aikaikkuna: Jopa 3 vuotta leikkauksen jälkeen
|
Tämä tulos arvioi AI-pohjaisen HGP-luokituksen (desmoplastisen ja ei-desmoplastisen) ja yleisen eloonjäämisen (OS) välistä yhteyttä potilailla, joilla on kolorektaalisyövän maksan metastaasit (CRLM), parantavan voimakkaan resektion jälkeen.
OS määritellään ajankohtana leikkauksesta kuolemaan mistä tahansa syystä.
Kaplan-Meier-analyysiä käytetään OS: n arvioimiseksi jokaiselle HGP-ryhmälle vertailulla log-rank-testillä.
Monimuuttujaisen Cox -regressiomallit arvioivat HGP: n prognostista arvoa, mukauttaen kliinisiä muuttujia (esim. Ikä, sukupuoli, metastaasien lukumäärä/koko, kemoterapia, marginaalin tila, kasvaimen taakan pisteet).
Vaarasuhteet, joiden luottamusväli on 95%, ilmoitetaan.
Malli -oletukset testataan ja säädetään tarvittaessa.
|
Jopa 3 vuotta leikkauksen jälkeen
|
|
Aika diagnoosiin (muutamassa minuutissa) patologit, joilla on AI-avustettu kahvimalli CRLM HGP -luokituksessa
Aikaikkuna: Mahdollisen oikeudenkäynnin aikana (6 kuukautta)
|
Tämä tulos arvioi AI-avustetun kahvimallin vaikutusta diagnostiseen tehokkuuteen vertaamalla patologien vaadittavia aikaa kolorektaalisyövän maksan etäpesäkkeiden (CRLM) histopatologisten kasvukuvioiden (HGP) luokittelemiseksi kahvituella ja ilman.
Metriikka on aika (minuutteja) liukukatsauksesta aloittamaan lopulliseen diagnoosiin, mitattuna jokaiselle patologille standardisoidun kokonaisen liukukuvaalustan avulla.
Vertailu sisältää kaksi varrta: AI-Assisted Diagnosis Arm, jossa nuoremmat patologit käyttävät kahvia päätöksentekotyökaluna ja tavanomaisen diagnoosivarteen, jossa patologit suorittavat manuaalista luokitusta, joka perustuu visuaaliseen histopatologiseen arviointiin.
Kaikki osallistujat tarkistavat samat diojoukot satunnaistetussa järjestyksessä, ja katseluohjelmisto kirjataan diagnoosiaikaa.
Kuvailevat tilastot (mediaani, IQR) ilmoitetaan.
|
Mahdollisen oikeudenkäynnin aikana (6 kuukautta)
|
|
Patologien diagnostinen tarkkuus (oikean luokituksen prosenttiosuus) AI-avusteisella kahvimallilla ja ilman sitä CRLM HGP -luokituksessa
Aikaikkuna: Mahdollisen oikeudenkäynnin aikana (6 kuukautta)
|
Tämä tulos arvioi patologien diagnostista tarkkuutta kolorektaalisyövän maksan metastaasien (CRLM) histopatologisten kasvukuvioiden (HGP) luokittelussa vertaamalla AI-avusteisia verrattuna tavanomaiseen diagnostiseen työnkulkuun.
Tarkkuus määritellään oikein luokiteltujen kokonaisten liukukuvien (WSIS) osuutena suhteessa kulta-standardiin konsensusdiagnoosiin, jonka asiantuntevat maha-suolikanavan patologit.
Jokainen patologi luokittelee itsenäisesti saman sarjan CRLM WSI: tä kahdessa olosuhteessa: AI -avustuksella (kahvimalli) ja ilman AI -apua (manuaalinen arviointi).
Luokittelu arvioidaan sekä binaaristen HGP-luokkien (desmoplastisten vs. ei-desmoplastisten) että neliluokan HGP-luokkien (desmoplastinen, korvaaminen, työntäminen, sekoitettu).
Tarkkuus lasketaan seuraavasti: tarkkuus = oikeiden ennusteiden ennusteiden kokonaismäärä / 100%.
|
Mahdollisen oikeudenkäynnin aikana (6 kuukautta)
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Maanantai 22. toukokuuta 2023
Ensisijainen valmistuminen (Todellinen)
Keskiviikko 6. maaliskuuta 2024
Opintojen valmistuminen (Todellinen)
Keskiviikko 6. maaliskuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Torstai 3. huhtikuuta 2025
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Sunnuntai 13. huhtikuuta 2025
Ensimmäinen Lähetetty (Todellinen)
Sunnuntai 20. huhtikuuta 2025
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Sunnuntai 20. huhtikuuta 2025
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Sunnuntai 13. huhtikuuta 2025
Viimeksi vahvistettu
Tiistai 1. huhtikuuta 2025
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 2023ZSLYEC-256
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
PÄÄTTÄMÄTÖN
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
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 .