Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Intelligence artificielle en radio-oncologie du SNC (AI-RAD)

8 avril 2025 mis à jour par: Dr Archya Dasgupta, Tata Memorial Centre

Intelligence artificielle en radio-oncologie pour les tumeurs du SNC

La radiothérapie implique l’utilisation de rayons X à haute énergie, qui peuvent être utilisés pour arrêter la croissance des cellules tumorales. La radiothérapie constitue une voie essentielle dans le traitement des tumeurs cérébrales. Les techniques modernes de radiothérapie font appel à des techniques de planification des rayonnements guidées par des algorithmes informatiques visant à délivrer de fortes doses de rayonnement aux zones du cerveau présentant des tumeurs et à limiter les doses aux structures normales environnantes. L'intelligence artificielle utilise des processus analytiques avancés aidés par une analyse informatique, qui peut être entreprise sur les images médicales, et par un processus de planification des radiations. Nous prévoyons d'utiliser des techniques d'intelligence artificielle pour délimiter automatiquement les zones du cerveau présentant des tumeurs et d'autres structures normales identifiées à partir d'images. En outre, nous utiliserons l'intelligence artificielle sur les images de dose de rayonnement et d'autres images réalisées pour la radiothérapie afin de classer les tumeurs de bon ou de mauvais pronostic, d'identifier les patients développant des complications liées aux radiations et de détecter les réponses après le traitement.

Aperçu de l'étude

Description détaillée

Dans l'étude rétrospective proposée, les patients traités par radiothérapie (RT) pour les tumeurs du système nerveux central (SNC) seront inclus. La base de données DMG contenant les dossiers des patients enregistrés et traités en neuro-oncologie TMC (Tata Memorial Centre) DMG (Disease Management Group) sera examinée pour identifier les patients éligibles à l'étude. Avec environ 500 à 600 patients atteints de tumeurs du SNC traités par RT en TMC chaque année, nous prévoyons un plafond de 6 000 patients entre 2010 et 2022, ce qui sera le nombre maximum de patients utilisés pour l'analyse. Les images (TDM, IRM, TEP) utilisées pour la planification de la RT, l'imagerie à mi-traitement dans le cadre de l'IGRT (radiothérapie guidée par l'image) ou évaluation de la maladie et évaluation/surveillance de la réponse post-RT seront analysées. Les plans de rayonnement et l'histogramme dose-volume seront obtenus à partir du TPS (Treatment Planning System). Toutes les images et données liées aux rayonnements seront téléchargées à partir du PACS (Picture Archiving and Communication System) et du TPS, en appliquant des filtres d'anonymisation. Les caractéristiques cliniques (patient, maladie, caractéristiques liées au traitement et résultats) seront extraites par examen des dossiers médicaux électroniques. Un prétraitement de l'imagerie sera effectué, qui comprendra le dépouillement du crâne et l'enregistrement selon différentes modalités (par exemple, IRM et CT) ou différentes séquences (par exemple, T1C, T2W, ADC) seront effectués à l'aide d'algorithmes rigides ou déformables, selon les mieux adaptés. modalité. Les volumes cibles, c'est-à-dire le volume tumoral brut (GTV), le volume cible clinique (CTV) et le volume cible de planification (PTV), ainsi que les OAR seront examinés individuellement par les radio-oncologues avec des modifications appliquées le cas échéant (par exemple, exclusion des OAR (organes). à risque) déformé par une maladie ou une intervention chirurgicale) et sera utilisé pour entraîner les modèles d'apprentissage automatique pour l'apprentissage supervisé. Les contours et les images seront rééchantillonnés à une résolution uniforme pour différentes séquences ou modalités (par exemple, T2W/ADC/PET) pour correspondre soit à la séquence 3D (par exemple, séquence FSPGR), soit aux images disponibles avec la moindre épaisseur de tranche. Par la suite, des techniques de normalisation (par exemple, normalisation de l'histogramme/normalisation du score Z) seront entreprises dans les images individuelles et dans l'ensemble de données pour tenir compte de l'hétérogénéité des images, y compris l'intensité du champ pour l'IRM et les différents paramètres d'acquisition d'images. Pour l'autosegmentation, des algorithmes d'apprentissage automatique supervisés et non supervisés seront appliqués. Pour le modèle supervisé, l'ensemble de la base de données sera divisé en cohortes de formation et de test pour le développement du modèle et de l'application, respectivement. Étant donné que les OAR sont uniformément applicables à différents sites histologiques ou tumoraux, la formation à l'autosegmentation sera appliquée à l'ensemble des données. Cependant, étant donné qu'il existe des variations dans les délinéations du volume cible (par exemple, pour les tumeurs circonscrites ou diffuses, de bas grade ou de haut grade), la formation/les tests pour les TV seront applicables à des entités pathologiques individuelles. L'efficacité du modèle automatisé sera testée à l'aide du coefficient de similarité des dés entre les régions de segmentation manuelle et les segments basés sur l'IA. Pour la prédiction des résultats (par exemple, survie et toxicités), l'étape suivante comprendra l'extraction de caractéristiques à partir d'images (CT, IRM, TEP) correspondant à différents TV et OAR et des données de distribution de dose RT converties en données d'images/nombres volumétriques (dosiomique), qui comprendra du premier ordre (y compris la forme, l'histogramme), du second ordre ou un ordre supérieur (par exemple, différentes caractéristiques de texture comme GLCM, GLDM, GLSZM, etc.), ou des techniques d'apprentissage en profondeur seront utilisées. La delta-radiomique inclura les changements temporels dans les caractéristiques radiomiques à partir de différents moments pour le même patient dans l'ensemble du volume et des régions individuelles. Par la suite, des techniques de réduction et de sélection de fonctionnalités telles que LASSO et l'élimination récursive de fonctionnalités seront utilisées pour présélectionner le nombre de fonctionnalités en fonction de la taille de l'échantillon. Les résultats seront décidés en fonction de la modélisation définie pour des problèmes de classe spécifiques (par exemple, tumeur par rapport à l'œdème, récidive par rapport à la pseudo-progression, résultats, région tumorale d'intérêt par rapport à la zone non tumorale) tels qu'obtenus à partir des informations cliniques. Tout déséquilibre de classe sera corrigé à l'aide de méthodes telles que l'échantillonnage aléatoire de sous-ensembles ou l'analyse SMOTE pour l'augmentation des données de la classe minoritaire. Des algorithmes d'apprentissage automatique tels que LDA, k-NN, SVM, random forest, AdaBoost, etc., seront appliqués individuellement ou en combinaison en tant que classificateur d'ensemble pour trouver le modèle offrant les meilleures performances. Des classificateurs d'apprentissage profond seront utilisés avec une modélisation basée sur les fonctionnalités et comparés pour tester l'applicabilité du classificateur. Des techniques de validation telles que la validation sans intervention, la validation k-fold et la répartition (en cohorte de formation et de test) seront utilisées pour évaluer la stabilité du modèle d'apprentissage automatique. L'analyse radiomique sera effectuée par des scientifiques des données/investigateurs de l'étude possédant une expertise en analyse de données. Toutes les segmentations seront effectuées sur un logiciel open source comme ITK snap (itksnap.org) ou 3D Slicer (slicer.org). L'extraction et la modélisation des fonctionnalités seront effectuées à l'aide d'un logiciel open source comme Python (python.org). Comme objectif tertiaire du projet, nous développerons un protocole de stockage de données anonymisées (informations cliniques, images de planification des radiations et d'évaluation de la réponse, données de planification des radiations, images intra-traitement comme la tomodensitométrie à faisceau conique) dans un référentiel de biobanque d'images sécurisé avec protection espace cloud. En outre, des algorithmes de traitement du langage naturel (NLP) seront développés pour former et valider le modèle d'extraction et la documentation des variables cliniques extraites pour l'étude. Grâce aux progrès continus de la science informatique, les nouvelles techniques et plates-formes d'analyse disponibles seront appliquées, le cas échéant, par les collaborateurs du Bhabha Atomic Research Centre, à Mumbai, en partageant des données anonymisées.

Type d'étude

Observationnel

Inscription (Estimé)

6000

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Coordonnées de l'étude

  • Nom: Dr ARCHYA DASGUPTA, MD
  • Numéro de téléphone: 6861 91-22-24177000
  • E-mail: archya1010@gmail.com

Lieux d'étude

    • Maharashtra
      • Mumbai, Maharashtra, Inde, 400012
        • Recrutement
        • Tata Memorial Hospital
        • Contact:
          • Dr Archya Dasgupta, MD

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • Enfant
  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Avec environ 500 à 600 patients atteints de tumeurs du SNC traités par RT en TMC chaque année, nous prévoyons un plafond de 6 000 patients entre 2010 et 2022, ce qui sera le nombre maximum de patients utilisés pour l'analyse.

La description

Critère d'intégration:

• Patients atteints de tumeurs du SNC traités par radiothérapie en TMC entre janvier 2010 et décembre 2022.

Critère d'exclusion:

  • Traitement RT hors TMC.
  • Planification du rayonnement non effectuée dans le système de planification du traitement (traité à l'aide d'un marquage clinique/simulateur conventionnel).

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Autosegmentation des organes à risque et volumes cibles.
Délai: 5 années
L'accord entre la segmentation manuelle et la segmentation automatisée à l'aide d'un modèle basé sur l'intelligence artificielle sera évalué à l'aide du coefficient de similarité de Dice.
5 années

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Analyse de survie et estimation de la toxicité
Délai: 5 années
Analyse d'images quantitatives à partir de volumes cibles et d'organes à risque et corrélation avec la survie et les complications des tissus normaux. L'analyse de survie sera effectuée à l'aide de la méthode Kaplan Meier et des nomogrammes seront construits à partir de caractéristiques d'imagerie quantitative. L'évaluation de la toxicité inclura l'incidence de la radionécrose et la corrélation des marqueurs d'imagerie quantitatifs sera effectuée à l'aide de modèles de régression ou d'algorithmes d'apprentissage automatique.
5 années
Analyse dosiomique
Délai: 5 années
Analyse quantitative des cartes dosimétriques des rayonnements et corrélation avec la survie et la toxicité. Les mesures de performance du modèle radiomique dans la prédiction de récidive/mort ou de toxicité (nécrose) seront comparées à la vérité terrain en utilisant la sensibilité, la spécificité, la précision et l'aire sous courbe.
5 années
Évaluation de la réponse après le traitement
Délai: 5 années
Développement d'un algorithme automatisé d'évaluation de la réponse utilisant les images (IRM/CT/PET scan) suite à une irradiation. La réponse prévue à l'aide d'algorithmes d'apprentissage automatique sera comparée aux résultats réels (réponse/maladie stable/maladie évolutive) et aux performances mesurées sous forme de sensibilité, de spécificité, de précision, d'aire sous courbe.
5 années

Autres mesures de résultats

Mesure des résultats
Description de la mesure
Délai
Planification et évaluation automatisées des rayonnements
Délai: 5 années
Application d'algorithmes d'intelligence artificielle dans le système de planification de traitement pour la génération et l'évaluation automatisées de plans de radiothérapie. Les plans générés à l'aide d'algorithmes d'intelligence artificielle seront évalués manuellement par des radio-oncologues/physiciens et rapportés avec des proportions/rapports.
5 années
Banque de données
Délai: 5 années
Développement d'une banque de données pour stocker les détails cliniques, les images et les plans de radiothérapie. Les données annotées cliniques, d'imagerie et de radiothérapie seront sécurisées dans une base de données (aucune évaluation formelle n'est prévue pour l'efficacité du stockage des données). Une standardisation des variables cliniques avec extraction automatisée des données des dossiers médicaux et du PACS sera établie.
5 années
Traitement du langage naturel pour l'interprétation des données
Délai: 5 années
Développement d'algorithmes NLP pour l'enregistrement automatisé des données et leur interprétation. Les performances des algorithmes de PNL en matière d'interprétation seront évaluées manuellement (avec les données/enregistrements réels) et rapportées avec des matrices de confusion, par exemple la sensibilité, la spécificité.
5 années

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Les enquêteurs

  • Chercheur principal: Dr. ARCHYA DASGUPTA, MD, Tata Memorial Hospital

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

13 septembre 2023

Achèvement primaire (Estimé)

1 septembre 2028

Achèvement de l'étude (Estimé)

1 septembre 2028

Dates d'inscription aux études

Première soumission

28 août 2023

Première soumission répondant aux critères de contrôle qualité

6 septembre 2023

Première publication (Réel)

13 septembre 2023

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

9 avril 2025

Dernière mise à jour soumise répondant aux critères de contrôle qualité

8 avril 2025

Dernière vérification

1 avril 2025

Plus d'information

Termes liés à cette étude

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

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 .

S'abonner