- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05151718
Approche multiomique de la radiorésistance des épendymomes chez l'enfant et l'adolescent (EPENDYMOMICS)
Épendymomes : approche multiomique de la radiorésistance des épendymomes chez l'enfant et l'adolescent
Le traitement de l'épendymome de l'enfant, deuxième tumeur cérébrale pédiatrique la plus fréquente, repose sur la chirurgie et la radiothérapie. Cependant, 50% rechutent, principalement localement. Les progrès de l'imagerie, de la biologie moléculaire et de la balistique en radiothérapie nous ont amenés à proposer le projet EPENDYMOMICS, une approche multi-omique utilisant l'intelligence artificielle pour détecter les caractéristiques prédictives de la rechute, et à définir des cibles radiothérapeutiques innovantes par imagerie multimodale. Nous avons précédemment rapporté que les foyers de rechute sont majoritairement localisés dans la zone de radiothérapie à forte dose et qu'il semble exister des facteurs pronostiques de rechute basés sur des anomalies IRM anatomiques et fonctionnelles par diffusion et perfusion. De plus, des études récentes en biologie moléculaire ont identifié des facteurs pronostiques importants. Le défi consiste maintenant à utiliser et à corréler tous ces résultats dans des cohortes plus importantes pour lutter contre la radio-résistance de cette maladie.
Notre objectif est de rassembler dans une base de données unique appelée NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) les données cliniques, histologiques, biologiques, d'imagerie et de radiothérapie de deux études consécutives ayant inclus 370 enfants et adolescents atteints d'épendymome depuis 2000 en France. Le projet EPENDYMOMICS comprendra une équipe de recherche clinique, trois équipes de recherche en imagerie, deux équipes d'histopathologie et une équipe de biostatistique travaillant sur NETSPARE. Notre objectif est d'obtenir une signature radiogénomique de nos données, qui sera validée avec la cohorte externe anglaise de 200 patients en cours d'analyse. La perspective est d'optimiser les indications et les volumes d'irradiation qui pourraient à l'avenir être utilisés dans un essai européen de recherche translationnelle pour lutter contre la radiorésistance.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
La résistance au traitement nous a incités à réaliser l'étude nationale PEPPI (Pediatric Ependymoma Photons Protons and Imaging). PEPPI a rassemblé des données cliniques, d'imagerie et de dosimétrie d'enfants atteints d'épendymome intracrânien traités en France entre 2000 et 2013. Depuis lors, les patients sont traités dans le cadre du programme prospectif actuel SIOP II Ependymoma. Nos résultats cliniques ont confirmé les facteurs pronostiques cliniques classiques dont la dose de radiothérapie, et nous avons montré que les biomarqueurs d'imagerie T2/FLAIR, IRM de perfusion et de diffusion étaient de nouveaux facteurs pronostiques. Nous avons signalé que la rechute après RT se produit principalement localement dans la région à forte dose. La valeur pronostique de la dose et le taux élevé de rechute à dose standard nous ont incités à réaliser une étude de dosimétrie in silico d'escalade de dose comparant photons et protons, confirmant la faisabilité de cette approche. Dans la série PEPPI, la prédiction du site de rechute avec l'imagerie RM avancée n'a pas été possible en raison du petit échantillon de données d'imagerie et la classification biomoléculaire récente n'était pas disponible. Récemment, le profilage de la méthylation de l'ADN a fourni une nouvelle classification des épendymomes en sous-groupes moléculaires à forte valeur pronostique.
Le projet EPENDYMOMICS vise à déterminer le rôle pronostique de l'imagerie multimodale, à identifier les clusters radiorésistants prédictifs de rechute et à analyser le lien entre les caractéristiques radiomiques et les marqueurs génomiques, conduisant ainsi à une étude radiogénomique. Il s'appuiera sur une base de données avec un plus grand nombre de patients appelée NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) pour développer une approche radiomique, c'est-à-dire prédire les paramètres cliniques en s'appuyant sur des caractéristiques quantitatives extraites d'images médicales utilisant soit des ou des algorithmes d'extraction de caractéristiques automatisées. Ces caractéristiques seront exploitées et combinées avec d'autres variables disponibles (cliniques, génétiques, etc.) pour améliorer l'aide à la décision.
Collecte des données IRM : Diagnostic, FU jusqu'à la rechute (format DICOM)
- Séquences : T1W, T2W, FLAIR, T1W avec & sans rehaussement de contraste, imagerie pondérée en diffusion (DWI), imagerie pondérée en perfusion (PWI) Radiothérapie : CT scan, RTDOSE, RTSS, RTPLAN (format DICOM RT) Clinique : Âge, chirurgie, chimiothérapie, doses, effets tardifs, date de rechute Histologie : lames d'histopathologie colorées à l'hématoxyline et à l'éosine (H&E) Biologie moléculaire : groupes de méthylation RELA, YAP, PFA et PFB
Vérification de la qualité des données et délimitation du volume d'intérêt pour conserver les données avant le post-traitement et l'analyse.
Pour assurer une segmentation d'image préliminaire robuste, l'ensemble de structure de radiothérapie sera vérifié pour chaque patient. Le radiologue référent confirmera tous les changements d'imagerie après RT. Un radio-oncologue expert segmentera les volumes d'anomalies post-traitement en T1WI après contraste, en imagerie T2W/FLAIR, ainsi que le site de rechute et les OAR manquants.
Post-traitement des données d'imagerie et analyse des changements après radiothérapie Nous traiterons les DWI et PWI avec Olea Sphere®3.0 logiciel, une solution de post-traitement pour les scanners IRM et CT. Nous allons extraire et générer des cartes de coefficient de diffusion apparente à partir de données DWI calculées voxel par voxel et des cartes de volume sanguin cérébral relatif calculées à partir de données PWI avec une routine de décomposition de valeur singulière d'indice d'oscillation et une correction des effets de fuite pondérés en T1.
Toutes les données IRM seront strictement co-enregistrées avec le T1WI-PC et le CT de planification.
Harmonisation radiomique Nous effectuerons l'augmentation du niveau d'harmonisation des images et/ou des caractéristiques extraites sur un jeu de données très hétérogène en raison de ses multiples sources.
Nous développerons un cadre basé sur GAN, traduisant des images hétérogènes pour correspondre aux propriétés d'un ensemble de données standard, comme une image de référence modèle, ou alternativement, un ensemble d'images choisies comme référence. Nous devons déterminer les propriétés pertinentes au sein des images (métriques locales ou globales, texture, bords, contraste, rapport signal sur bruit, etc.) et garantir la capacité du cadre à harmoniser les images sans perdre leur information et leur contenu cliniquement pertinents. .
Dans l'espace des caractéristiques, de nombreuses approches statistiques peuvent être appliquées, telles que la normalisation ou la compensation d'effet de lot. Il a été démontré que ComBat surpasse d'autres approches similaires et nous nous appuierons sur l'estimation de Monte Carlo pour les petits échantillons. Nous étudierons la combinaison des méthodes de correction par lots avec le regroupement non supervisé pour traiter des données présentant une très grande hétérogénéité et un très petit nombre d'échantillons par lot.
Il pourrait être bénéfique et complémentaire de combiner des méthodologies d'harmonisation basées sur l'image et sur les caractéristiques pour améliorer les résultats des études radiomiques multicentriques. Nous évaluerons l'avantage supplémentaire potentiel des deux approches développées précédemment dans l'amélioration des résultats. L'objectif de cette tâche sera d'établir si la première ou la deuxième approche (ou la combinaison des deux) est la plus efficace, en tenant compte non seulement de l'amélioration absolue observée dans les résultats, mais aussi du temps et des efforts de calcul nécessaires pour mettre en œuvre chaque approche dans la pratique.
Analyse biomoléculaire Les ressources biologiques des cohortes de patients épendymomes PEPPI et SIOPII seront incluses. Tout d'abord, le diagnostic des épendymomes intracrâniens sera confirmé, puis les caractéristiques pathologiques seront étudiées.
Classification OMS 2020 des épendymomes : le cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) a décidé de classer les épendymomes en fonction de leur localisation et de l'altération génétique sous-jacente. La classification actuelle de l'OMS est en cours de révision.
Etudes biologiques nécessaires pour classer les épendymomes intracrâniens du projet :
Immunohistochimie : p65-RelA, H3K27Me3. Analyse FISH (classification et variations du nombre de copies). Profilage de méthylation de l'ADN. Analyse RNAseq.
Apprentissage en profondeur (DL) pour les biomarqueurs moléculaires de l'épendymome À cette fin, l'équipe Zimmer a conçu et formé des réseaux de neurones à convolution profonde basés sur l'architecture Inception V3 pour distinguer l'épendymome des gliomes de grades III et IV. Les résultats préliminaires basés sur un ensemble de données d'imagerie indiquent une grande précision de discrimination et suggèrent la possibilité de prédire des mutations cliniquement pertinentes à partir d'images H&E seules (manuscrit en préparation).
Nous étendrons ces approches DL pour prédire la résistance au traitement et les métastases. Cela se fera en utilisant les images histopathologiques seules, soit en entrée, soit en combinaison avec des classifications basées sur des tests moléculaires. Au niveau technique, nous utiliserons des architectures de réseaux de neurones profonds de pointe basées sur des couches convolutives et des connexions de saut. Pour compenser la taille modérée de l'ensemble de données d'apprentissage, nous ferons un usage intensif de l'apprentissage par transfert. Ici, nous utiliserons spécifiquement la base de données TGCA, qui contient des images de cancers très différents comme le cancer du sein, et adapterons des modèles réussis en nous recyclant sur un sous-ensemble des données d'épendymome acquises dans cette étude. Nous adopterons également des représentations d'images multi-échelles pour une meilleure exploitation des informations d'image aux niveaux cellulaire et tissulaire, utiliserons la normalisation des couleurs spécifiques H&E et des méthodes d'élimination automatisée des régions sujettes aux artefacts d'imagerie. Nous intégrerons également les méthodes développées dans Imjoy. En dissociant l'interface utilisateur graphique du back-end de calcul, il permet aux utilisateurs d'accéder à des capacités informatiques haut de gamme à partir de n'importe quel poste de travail ou ordinateur portable.
Analyse statistique Plusieurs signatures seront développées et validées : une signature radiomique (RAD-Score), une signature radiomique et clinique (RADClin-Score), une signature moléculaire (MOL-score) et une signature globale (Radiomic, Molecular and clinical signature) .
- RAD-Score associé à la survie sans progression (PFS). Pour éviter les biais, NETSPARE construit à partir d'une étude rétrospective multicentrique incluant des cohortes indépendantes est une cohorte d'entraînement. La cohorte de validation pour tester la performance de la signature radiomique correspond à la cohorte britannique du programme SIOP II (n=220). Cette division permet une validation externe.
Cohorte de formation : la SSP médiane est estimée à 5 ans dans la littérature. Cela correspond à une SSP à 3,5 ans de 62 %. Avec 370 patients et un suivi médian de 3,5 ans, nous attendons au moins 120 événements. Selon la règle empirique recommandant 10 événements par variable d'intérêt, un modèle multiparamétrique combinant 10 variables peut être entraîné. Une stratégie de modélisation alternative basée sur une approche pénalisée sera utilisée pour étudier l'association entre les paramètres d'imagerie et la PFS. Comme les données des biomarqueurs d'imagerie dépassent de loin la taille de l'échantillon et sont intercorrélées, des méthodes pénalisées (précédemment utilisées dans différentes situations avec des données spatiales) seront utilisées pour la régularisation et la sélection des variables, en favorisant l'effet de regroupement et en sélectionnant des variables explicatives.
Cohorte de validation : 66 événements sont attendus. Avec ce nombre d'événements, il est possible de détecter avec une puissance de 80% un rapport de risque de 0,5 entre le groupe à faible et à haut risque (test de Logrank bilatéral 0,05).
Données démographiques : les variables continues seront résumées par cohorte en utilisant la médiane, le minimum, le maximum et le nombre d'observations disponibles. Les variables qualitatives seront résumées à l'aide de nombres, de pourcentages et du nombre de données manquantes. La comparaison entre les cohortes sera effectuée à l'aide du test du chi carré (ou du test exact de Fisher, le cas échéant) pour les variables qualitatives et du test de Mann-Whitney pour les variables quantitatives.
- Développement et validation de la signature radiomique : Pour étudier l'association entre les caractéristiques d'imagerie et la SSP, nous utiliserons une stratégie de modélisation alternative basée sur le modèle de régression de Cox pénalisé. La méthode Elastic Net encourage l'effet de regroupement et sélectionne des variables explicatives. Nous effectuerons une validation croisée de 10 fois pour sélectionner le meilleur paramètre de pénalité lambda. Le paramètre de mélange α, autre paramètre de la méthode du filet élastique, sera défini sur une valeur par défaut de 0,5. Les coefficients de régression associés à chaque état des différentes variables seront utilisés pour déterminer le score RAD. Le résultat étant dépendant du temps, le score de risque sera dichotomisé à l'aide d'une courbe ROC dépendant du temps pour obtenir un classificateur (groupes de risque : pronostic faible vs intermédiaire vs bon). Le seuil optimal a été déterminé pour obtenir à 3 ans une sensibilité d'au moins 80% et la meilleure spécificité.
Une validation d'intervalle sera effectuée à l'aide d'une validation croisée congé k-out. Nous appliquerons ensuite la signature RAD-score à la cohorte de validation. Les performances du score seront évaluées selon différents critères : la monotonie de la stratification pronostique évaluée à l'aide des courbes de survie de Kaplan-Meier et l'estimation du Hazard Ratio (HR), la discrimination évaluée par le C-Index de Harrell et la statistique D, la qualité du modèle et la proportion de la variation expliquée estimée par le critère d'information d'Akaike (AIC) et la statistique RD², respectivement. La capacité du score pronostique à identifier les patients à haut risque de rechute au cours des 3 premières années sera évaluée en déterminant la sensibilité, la spécificité et la valeur prédictive à l'aide d'une courbe ROC en fonction du temps.
- Développement et validation de RADClin-Score : pour intégrer des informations cliniques et d'imagerie, nous combinerons des données d'imagerie clinique à basse dimension et à haute dimension dans un modèle de prédiction global. Tout d'abord, nous allons complètement ignorer les fonctionnalités d'imagerie. Un modèle de Cox sera ajusté pour identifier les covariables cliniques associées à la SSP. Nous allons construire un prédicteur linéaire clinique en utilisant un coefficient de régression. Ensuite, nous utiliserons Elastic Net avec le prédicteur linéaire clinique en décalage pour identifier les caractéristiques d'imagerie. Enfin, nous calculerons le RADClin-Score à l'aide d'un coefficient de régression. Nous tracerons un diagramme de Venn pour comparer la sélection des fonctionnalités avec le RADClin-Score et le RAD-Score. Nous allons comparer le modèle en utilisant les différents critères présentés précédemment.
Type d'étude
Inscription (Anticipé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: Anne LAPRIE, PU-PH
- Numéro de téléphone: + 33 (0)5 31 15 50 50
- E-mail: laprie.anne@iuct-oncopole.fr
Sauvegarde des contacts de l'étude
- Nom: Fatima TENSAOUTI, phD
- Numéro de téléphone: + 33 (0)5 31 15 50 50
- E-mail: tensaouti.fatima@iuct-oncopole.fr
Lieux d'étude
-
-
-
Toulouse, France, 31059
- Recrutement
- Institut Claudius Regaud
-
Contact:
- Anne LAPRIE
- Numéro de téléphone: +33(0)531155050
- E-mail: laprie.anne@iuct-oncopole.fr
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- enfants atteints d'épendymome intracrânien
- traité
- inclus dans l'étude PEPPI, pediaRT ou dans le programme français SIOP II Ependymoma
Critère d'exclusion:
- N / A
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cohorte
- Perspectives temporelles: Rétrospective
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Définition des signatures radiogénomiques prédictives du devenir du patient
Délai: 30 mois
|
Le critère principal est la survie sans progression (SSP), c'est-à-dire le délai entre le diagnostic et la progression ou le décès quelle qu'en soit la cause.
Les patients vivants au dernier recul sont censurés à cette date.
|
30 mois
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Définition de nouveaux volumes cibles de RT en fonction des caractéristiques radiomiques et choix de leurs indications en fonction des facteurs pronostiques biomoléculaires
Délai: 30 mois
|
Plusieurs indices seront utilisés pour évaluer la capacité discriminante : le C-Index de Harrell et la statistique D, le critère d'information d'Akaike (AIC) et la statistique RD²
|
30 mois
|
Prédire la résistance au traitement en utilisant les données histologiques sous format numérique et les données biomoléculaires pour l'analyse par des méthodes basées sur des réseaux de neurones profonds artificiels.
Délai: 30 mois
|
Plusieurs indices seront utilisés pour évaluer la capacité discriminante : le C-Index de Harrell et la statistique D, le critère d'information d'Akaike (AIC) et la statistique RD²
|
30 mois
|
Collaborateurs et enquêteurs
Publications et liens utiles
Publications générales
- Heagerty PJ, Zheng Y. Survival model predictive accuracy and ROC curves. Biometrics. 2005 Mar;61(1):92-105. doi: 10.1111/j.0006-341X.2005.030814.x.
- Louis DN, Perry A, Reifenberger G, von Deimling A, Figarella-Branger D, Cavenee WK, Ohgaki H, Wiestler OD, Kleihues P, Ellison DW. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary. Acta Neuropathol. 2016 Jun;131(6):803-20. doi: 10.1007/s00401-016-1545-1. Epub 2016 May 9.
- Tensaouti F, Ducassou A, Chaltiel L, Bolle S, Muracciole X, Coche-Dequeant B, Alapetite C, Bernier V, Claude L, Supiot S, Huchet A, Kerr C, le Prise E, Laprie A; radiotherapy committee of the French Society for Childhood Cancer (SFCE). Patterns of failure after radiotherapy for pediatric patients with intracranial ependymoma. Radiother Oncol. 2017 Mar;122(3):362-367. doi: 10.1016/j.radonc.2016.12.025. Epub 2017 Jan 12.
- Ducassou A, Padovani L, Chaltiel L, Bolle S, Habrand JL, Claude L, Carrie C, Muracciole X, Coche-Dequeant B, Alapetite C, Supiot S, Demoor-Goldschmidt C, Bernier-Chastagner V, Huchet A, Leseur J, Le Prise E, Kerr C, Truc G, Nguyen TD, Bertozzi AI, Frappaz D, Boetto S, Sevely A, Tensaouti F, Laprie A; Pediatric French Radiation Oncologist Group (GFRP) and the French Society of Children With Cancer (SFCE). Pediatric Localized Intracranial Ependymomas: A Multicenter Analysis of the Societe Francaise de lutte contre les Cancers de l'Enfant (SFCE) from 2000 to 2013. Int J Radiat Oncol Biol Phys. 2018 Sep 1;102(1):166-173. doi: 10.1016/j.ijrobp.2018.05.036. Epub 2018 May 24.
- Tensaouti F, Ducassou A, Chaltiel L, Sevely A, Bolle S, Muracciole X, Coche-Dequant B, Alapetite C, Supiot S, Huchet A, Bernier V, Claude L, Bertozzi-Salamon AI, Liceaga S, Lotterie JA, Peran P, Payoux P, Laprie A; radiotherapy committee of the French Society for Childhood Cancer (SFCE). Prognostic and predictive values of diffusion and perfusion MRI in paediatric intracranial ependymomas in a large national study. Br J Radiol. 2016 Oct;89(1066):20160537. doi: 10.1259/bjr.20160537. Epub 2016 Aug 23.
- Tensaouti F, Ducassou A, Chaltiel L, Sevely A, Bolle S, Padovani L, Jouin A, Alapetite C, Supiot S, Huchet A, Bernier V, Claude L, Kerr C, Le Prise E, Bertozzi-Salamon AI, Liceaga S, Lotterie JA, Peran P, Laprie A; French Society for Childhood Cancer (SFCE). Imaging biomarkers of outcome after radiotherapy for pediatric ependymoma. Radiother Oncol. 2018 Apr;127(1):103-107. doi: 10.1016/j.radonc.2018.02.008. Epub 2018 Mar 2.
- Tensaouti F, Ducassou A, Chaltiel L, Bolle S, Habrand JL, Alapetite C, Coche-Dequeant B, Bernier V, Claude L, Carrie C, Padovani L, Muracciole X, Supiot S, Huchet A, Leseur J, Kerr C, Hangard G, Lisbona A, Goudjil F, Ferrand R, Laprie A. Feasibility of Dose Escalation in Patients With Intracranial Pediatric Ependymoma. Front Oncol. 2019 Jun 21;9:531. doi: 10.3389/fonc.2019.00531. eCollection 2019.
- Pajtler KW, Mack SC, Ramaswamy V, Smith CA, Witt H, Smith A, Hansford JR, von Hoff K, Wright KD, Hwang E, Frappaz D, Kanemura Y, Massimino M, Faure-Conter C, Modena P, Tabori U, Warren KE, Holland EC, Ichimura K, Giangaspero F, Castel D, von Deimling A, Kool M, Dirks PB, Grundy RG, Foreman NK, Gajjar A, Korshunov A, Finlay J, Gilbertson RJ, Ellison DW, Aldape KD, Merchant TE, Bouffet E, Pfister SM, Taylor MD. The current consensus on the clinical management of intracranial ependymoma and its distinct molecular variants. Acta Neuropathol. 2017 Jan;133(1):5-12. doi: 10.1007/s00401-016-1643-0. Epub 2016 Nov 17.
- Da-Ano R, Visvikis D, Hatt M. Harmonization strategies for multicenter radiomics investigations. Phys Med Biol. 2020 Dec 17;65(24):24TR02. doi: 10.1088/1361-6560/aba798.
- Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007 Jan;8(1):118-27. doi: 10.1093/biostatistics/kxj037. Epub 2006 Apr 21.
- Chen C, Grennan K, Badner J, Zhang D, Gershon E, Jin L, Liu C. Removing batch effects in analysis of expression microarray data: an evaluation of six batch adjustment methods. PLoS One. 2011 Feb 28;6(2):e17238. doi: 10.1371/journal.pone.0017238.
- Da-Ano R, Masson I, Lucia F, Dore M, Robin P, Alfieri J, Rousseau C, Mervoyer A, Reinhold C, Castelli J, De Crevoisier R, Ramee JF, Pradier O, Schick U, Visvikis D, Hatt M. Performance comparison of modified ComBat for harmonization of radiomic features for multicenter studies. Sci Rep. 2020 Jun 24;10(1):10248. doi: 10.1038/s41598-020-66110-w.
- Louis DN, Wesseling P, Aldape K, Brat DJ, Capper D, Cree IA, Eberhart C, Figarella-Branger D, Fouladi M, Fuller GN, Giannini C, Haberler C, Hawkins C, Komori T, Kros JM, Ng HK, Orr BA, Park SH, Paulus W, Perry A, Pietsch T, Reifenberger G, Rosenblum M, Rous B, Sahm F, Sarkar C, Solomon DA, Tabori U, van den Bent MJ, von Deimling A, Weller M, White VA, Ellison DW. cIMPACT-NOW update 6: new entity and diagnostic principle recommendations of the cIMPACT-Utrecht meeting on future CNS tumor classification and grading. Brain Pathol. 2020 Jul;30(4):844-856. doi: 10.1111/bpa.12832. Epub 2020 Apr 19.
- Parker M, Mohankumar KM, Punchihewa C, Weinlich R, Dalton JD, Li Y, Lee R, Tatevossian RG, Phoenix TN, Thiruvenkatam R, White E, Tang B, Orisme W, Gupta K, Rusch M, Chen X, Li Y, Nagahawhatte P, Hedlund E, Finkelstein D, Wu G, Shurtleff S, Easton J, Boggs K, Yergeau D, Vadodaria B, Mulder HL, Becksfort J, Gupta P, Huether R, Ma J, Song G, Gajjar A, Merchant T, Boop F, Smith AA, Ding L, Lu C, Ochoa K, Zhao D, Fulton RS, Fulton LL, Mardis ER, Wilson RK, Downing JR, Green DR, Zhang J, Ellison DW, Gilbertson RJ. C11orf95-RELA fusions drive oncogenic NF-kappaB signalling in ependymoma. Nature. 2014 Feb 27;506(7489):451-5. doi: 10.1038/nature13109. Epub 2014 Feb 19. Erratum In: Nature. 2014 Apr 24;508(7497):554. Becksford, Jared [corrected to Becksfort, Jared].
- Panwalkar P, Clark J, Ramaswamy V, Hawes D, Yang F, Dunham C, Yip S, Hukin J, Sun Y, Schipper MJ, Chavez L, Margol A, Pekmezci M, Chung C, Banda A, Bayliss JM, Curry SJ, Santi M, Rodriguez FJ, Snuderl M, Karajannis MA, Saratsis AM, Horbinski CM, Carret AS, Wilson B, Johnston D, Lafay-Cousin L, Zelcer S, Eisenstat D, Silva M, Scheinemann K, Jabado N, McNeely PD, Kool M, Pfister SM, Taylor MD, Hawkins C, Korshunov A, Judkins AR, Venneti S. Immunohistochemical analysis of H3K27me3 demonstrates global reduction in group-A childhood posterior fossa ependymoma and is a powerful predictor of outcome. Acta Neuropathol. 2017 Nov;134(5):705-714. doi: 10.1007/s00401-017-1752-4. Epub 2017 Jul 21.
- Pajtler KW, Witt H, Sill M, Jones DT, Hovestadt V, Kratochwil F, Wani K, Tatevossian R, Punchihewa C, Johann P, Reimand J, Warnatz HJ, Ryzhova M, Mack S, Ramaswamy V, Capper D, Schweizer L, Sieber L, Wittmann A, Huang Z, van Sluis P, Volckmann R, Koster J, Versteeg R, Fults D, Toledano H, Avigad S, Hoffman LM, Donson AM, Foreman N, Hewer E, Zitterbart K, Gilbert M, Armstrong TS, Gupta N, Allen JC, Karajannis MA, Zagzag D, Hasselblatt M, Kulozik AE, Witt O, Collins VP, von Hoff K, Rutkowski S, Pietsch T, Bader G, Yaspo ML, von Deimling A, Lichter P, Taylor MD, Gilbertson R, Ellison DW, Aldape K, Korshunov A, Kool M, Pfister SM. Molecular Classification of Ependymal Tumors across All CNS Compartments, Histopathological Grades, and Age Groups. Cancer Cell. 2015 May 11;27(5):728-43. doi: 10.1016/j.ccell.2015.04.002.
- Pajtler KW, Wen J, Sill M, Lin T, Orisme W, Tang B, Hubner JM, Ramaswamy V, Jia S, Dalton JD, Haupfear K, Rogers HA, Punchihewa C, Lee R, Easton J, Wu G, Ritzmann TA, Chapman R, Chavez L, Boop FA, Klimo P, Sabin ND, Ogg R, Mack SC, Freibaum BD, Kim HJ, Witt H, Jones DTW, Vo B, Gajjar A, Pounds S, Onar-Thomas A, Roussel MF, Zhang J, Taylor JP, Merchant TE, Grundy R, Tatevossian RG, Taylor MD, Pfister SM, Korshunov A, Kool M, Ellison DW. Molecular heterogeneity and CXorf67 alterations in posterior fossa group A (PFA) ependymomas. Acta Neuropathol. 2018 Aug;136(2):211-226. doi: 10.1007/s00401-018-1877-0. Epub 2018 Jun 16.
- Siegfried A, Rousseau A, Maurage CA, Pericart S, Nicaise Y, Escudie F, Grand D, Delrieu A, Gomez-Brouchet A, Le Guellec S, Franchet C, Boetto S, Vinchon M, Sol JC, Roux FE, Rigau V, Bertozzi AI, Jones DTW, Figarella-Branger D, Uro-Coste E. EWSR1-PATZ1 gene fusion may define a new glioneuronal tumor entity. Brain Pathol. 2019 Jan;29(1):53-62. doi: 10.1111/bpa.12619. Epub 2018 Jul 13.
- Siegfried A, Masliah-Planchon J, Roux FE, Larrieu-Ciron D, Pierron G, Nicaise Y, Gambart M, Catalaa I, Pericart S, Dubucs C, Mohand-Oumoussa B, Tirode F, Bourdeaut F, Uro-Coste E. Brain tumor with an ATXN1-NUTM1 fusion gene expands the histologic spectrum of NUTM1-rearranged neoplasia. Acta Neuropathol Commun. 2019 Dec 30;7(1):220. doi: 10.1186/s40478-019-0870-8. No abstract available.
- Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010.
- Coudray N, Ocampo PS, Sakellaropoulos T, Narula N, Snuderl M, Fenyo D, Moreira AL, Razavian N, Tsirigos A. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 2018 Oct;24(10):1559-1567. doi: 10.1038/s41591-018-0177-5. Epub 2018 Sep 17.
- Vahadane A, Peng T, Sethi A, Albarqouni S, Wang L, Baust M, Steiger K, Schlitter AM, Esposito I, Navab N. Structure-Preserving Color Normalization and Sparse Stain Separation for Histological Images. IEEE Trans Med Imaging. 2016 Aug;35(8):1962-71. doi: 10.1109/TMI.2016.2529665. Epub 2016 Apr 27.
- Ouyang W, Mueller F, Hjelmare M, Lundberg E, Zimmer C. ImJoy: an open-source computational platform for the deep learning era. Nat Methods. 2019 Dec;16(12):1199-1200. doi: 10.1038/s41592-019-0627-0. No abstract available.
- Moons KG, Altman DG, Vergouwe Y, Royston P. Prognosis and prognostic research: application and impact of prognostic models in clinical practice. BMJ. 2009 Jun 4;338:b606. doi: 10.1136/bmj.b606. No abstract available.
- Deist TM, Dankers FJWM, Valdes G, Wijsman R, Hsu IC, Oberije C, Lustberg T, van Soest J, Hoebers F, Jochems A, El Naqa I, Wee L, Morin O, Raleigh DR, Bots W, Kaanders JH, Belderbos J, Kwint M, Solberg T, Monshouwer R, Bussink J, Dekker A, Lambin P. Machine learning algorithms for outcome prediction in (chemo)radiotherapy: An empirical comparison of classifiers. Med Phys. 2018 Jul;45(7):3449-3459. doi: 10.1002/mp.12967. Epub 2018 Jun 13. Erratum In: Med Phys. 2019 Feb;46(2):1080-1087.
- Cozzi L, Dinapoli N, Fogliata A, Hsu WC, Reggiori G, Lobefalo F, Kirienko M, Sollini M, Franceschini D, Comito T, Franzese C, Scorsetti M, Wang PM. Radiomics based analysis to predict local control and survival in hepatocellular carcinoma patients treated with volumetric modulated arc therapy. BMC Cancer. 2017 Dec 6;17(1):829. doi: 10.1186/s12885-017-3847-7.
- Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015 Jan 7;350:g7594. doi: 10.1136/bmj.g7594.
- Royston P, Sauerbrei W. A new measure of prognostic separation in survival data. Stat Med. 2004 Mar 15;23(5):723-48. doi: 10.1002/sim.1621.
- De Bin R, Sauerbrei W, Boulesteix AL. Investigating the prediction ability of survival models based on both clinical and omics data: two case studies. Stat Med. 2014 Dec 30;33(30):5310-29. doi: 10.1002/sim.6246. Epub 2014 Jul 9.
- Laprie A, Ken S, Filleron T, Lubrano V, Vieillevigne L, Tensaouti F, Catalaa I, Boetto S, Khalifa J, Attal J, Peyraga G, Gomez-Roca C, Uro-Coste E, Noel G, Truc G, Sunyach MP, Magne N, Charissoux M, Supiot S, Bernier V, Mounier M, Poublanc M, Fabre A, Delord JP, Cohen-Jonathan Moyal E. Dose-painting multicenter phase III trial in newly diagnosed glioblastoma: the SPECTRO-GLIO trial comparing arm A standard radiochemotherapy to arm B radiochemotherapy with simultaneous integrated boost guided by MR spectroscopic imaging. BMC Cancer. 2019 Feb 21;19(1):167. doi: 10.1186/s12885-019-5317-x.
- Khalifa J, Tensaouti F, Lotterie JA, Catalaa I, Chaltiel L, Benouaich-Amiel A, Gomez-Roca C, Noel G, Truc G, Peran P, Berry I, Sunyach MP, Charissoux M, Johnson C, Cohen-Jonathan Moyal E, Laprie A. Do perfusion and diffusion MRI predict glioblastoma relapse sites following chemoradiation? J Neurooncol. 2016 Oct;130(1):181-192. doi: 10.1007/s11060-016-2232-8. Epub 2016 Aug 8.
- Laprie A, Catalaa I, Cassol E, McKnight TR, Berchery D, Marre D, Bachaud JM, Berry I, Moyal EC. Proton magnetic resonance spectroscopic imaging in newly diagnosed glioblastoma: predictive value for the site of postradiotherapy relapse in a prospective longitudinal study. Int J Radiat Oncol Biol Phys. 2008 Mar 1;70(3):773-81. doi: 10.1016/j.ijrobp.2007.10.039.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Anticipé)
Achèvement de l'étude (Anticipé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Estimation)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 21 HLTETE 01
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur Tumeur solide pédiatrique
-
AstraZenecaRecrutementAdv Solid Malig - H&N SCC, ATM Pro / Def NSCLC, Gastric, Breast and Ovarian CancerEspagne, États-Unis, Belgique, Royaume-Uni, France, Hongrie, Canada, Corée, République de, Australie
-
Shattuck Labs, Inc.Actif, ne recrute pasMélanome | Carcinome à cellules rénales | Lymphome de Hodgkin | Adénocarcinome gastrique | Cancer du poumon non à petites cellules | Carcinome épidermoïde de la tête et du cou | Lymphome diffus à grandes cellules B | Carcinome urothélial | Adénocarcinome de la jonction gastro-oesophagienne | Carcinome... et d'autres conditionsÉtats-Unis, Canada, Belgique, Espagne