Stratification du risque des tumeurs orbitales basée sur l'IRM et l'intelligence artificielle
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Bien que les tumeurs orbitaires soient moins fréquentes que d’autres maladies oculaires, elles peuvent être extrêmement préjudiciables aux patients. Non seulement ils peuvent provoquer une défiguration physique, mais ils peuvent également entraîner des déficiences fonctionnelles telles qu’une vision diminuée et une restriction des mouvements oculaires. Les tumeurs orbitaires peuvent être classées comme bénignes ou malignes, et il existe des disparités significatives dans leur comportement biologique, leurs approches thérapeutiques, leurs résultats et leur pronostic, ce qui complique les processus de diagnostic différentiel et de sélection du traitement. Pour les lésions malignes, les plans de traitement et le pronostic des patients varient en raison des différents types et stades pathologiques. Il existe donc une nécessité clinique urgente de concevoir des méthodes de diagnostic précises pour les tumeurs orbitaires. L'imagerie par résonance magnétique multiparamétrique (IRM-mp) constitue actuellement la principale technique d'imagerie non invasive pour le diagnostic des tumeurs orbitaires. Cette étude est centrée sur le diagnostic précis de la stratification du risque de tumeur orbitaire, en utilisant la technologie d'algorithme d'intelligence artificielle pour explorer le lien inhérent entre les images IRM et le diagnostic distinctif des tumeurs orbitaires bénignes et malignes, des types histologiques et des niveaux d'expression Ki-67 des tumeurs malignes. Il vise à intégrer des informations cliniques et des fonctionnalités quantitatives d’IRM pour construire des modèles de prédiction, aider à orienter les décisions individuelles de diagnostic et de traitement pour les patients atteints de tumeurs orbitaires et faciliter l’application et l’avancement de la technologie de l’intelligence artificielle. Plus précisément, les objectifs de recherche sont décrits comme suit :
- Établir un modèle de segmentation automatique basé sur l'apprentissage profond pour les tumeurs orbitaires à l'aide d'un ensemble de données IRM multi-séquences provenant de plusieurs centres, réduisant ainsi le temps requis pour la délimitation manuelle et s'avérant bénéfique pour l'analyse ultérieure.
- Développer un modèle d'identification des tumeurs orbitaires malignes et bénignes à l'aide de plusieurs algorithmes d'apprentissage automatique combinés à un ensemble de données IRM multi-séquences, dans le but de fournir des informations plus précises pour distinguer ces deux entités.
- Construire des modèles de diagnostic robustes à l'aide d'approches d'apprentissage automatique ou d'apprentissage profond avec des caractéristiques quantitatives d'IRM multi-séquences pour identifier le type histologique et les niveaux d'expression du Ki-67 des tumeurs orbitaires malignes, dans le but d'améliorer les taux de détection et la précision, obtenant ainsi une stratification du risque pour les patients avec des tumeurs orbitaires malignes.
Type d'étude
Inscription (Réel)
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Les patients atteints de tumeurs orbitaires qui ont subi une IRM multiparamétrique préopératoire (mp-MRl) à l'hôpital Tongren de Pékin de 2015 à 2022.
Critère d'exclusion:
- Les patients sans IRM multiparamétrique préopératoire (mp-MRl) ou diagnostic pathologique clair.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Tumeurs orbitaires malignes
Patients atteints de tumeurs malignes de l'orbite (lymphome, mélanome, ...) diagnostiquées par confirmation pathologique.
|
Les modèles de diagnostic sont établis à l'aide de caractéristiques quantitatives extraites des images IRM multiparamétriques et traitées ultérieurement par des algorithmes d'apprentissage profond ou d'apprentissage automatique appropriés.
|
|
Tumeurs orbitaires bénignes
Patients présentant des tumeurs bénignes de l'orbite (hémangiome caverneux, pseudotumeur inflammatoire, ...) diagnostiquées par confirmation pathologique.
|
Les modèles de diagnostic sont établis à l'aide de caractéristiques quantitatives extraites des images IRM multiparamétriques et traitées ultérieurement par des algorithmes d'apprentissage profond ou d'apprentissage automatique appropriés.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
L'aire sous la courbe des caractéristiques de fonctionnement du récepteur des modèles de diagnostic pour le diagnostic différentiel des tumeurs orbitaires malignes et bénignes, des types histologiques de grades élevés et faibles et des niveaux d'expression de Ki-67 dans les tumeurs malignes.
Délai: Pré-opération
|
L'aire sous la courbe ROC est calculée en intégrant la courbe ROC, qui représente la sensibilité par rapport à 1 - Spécificité.
|
Pré-opération
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
L'aire sous la courbe Précision-Rappel des modèles de diagnostic pour le diagnostic différentiel des tumeurs orbitaires malignes et bénignes, des types histologiques de grades élevés et faibles et des niveaux élevés et faibles d'expression de Ki-67 dans les tumeurs orbitaires malignes.
Délai: Pré-opération
|
L'aire sous la courbe précision-rappel est déterminée en intégrant la courbe Précision-Rappel, qui trace la précision par rapport au rappel.
|
Pré-opération
|
|
Sensibilité des modèles de diagnostic pour le diagnostic différentiel des tumeurs orbitaires malignes et bénignes, des types histologiques de grades élevés et faibles et des niveaux élevés et faibles d'expression de Ki-67 dans les tumeurs orbitaires malignes.
Délai: Pré-opération
|
La sensibilité est calculée comme le rapport des vrais positifs à la somme des vrais positifs et des faux négatifs.
|
Pré-opération
|
|
Spécificité des modèles de diagnostic pour le diagnostic différentiel des tumeurs orbitaires malignes et bénignes, des types histologiques de grades élevés et faibles et des niveaux élevés et faibles d'expression de Ki-67 dans les tumeurs orbitaires malignes.
Délai: Pré-opération
|
La spécificité est calculée comme le rapport des vrais négatifs à la somme des vrais négatifs et des faux positifs.
|
Pré-opération
|
|
Précision des modèles de diagnostic pour le diagnostic différentiel des tumeurs orbitaires malignes et bénignes, des types histologiques de grades élevés et faibles et des niveaux élevés et faibles d'expression de Ki-67 dans les tumeurs orbitaires malignes.
Délai: Pré-opération
|
La précision est calculée comme le rapport de la somme des vrais positifs et des vrais négatifs au nombre total de cas.
|
Pré-opération
|
Collaborateurs et enquêteurs
Parrainer
Les enquêteurs
- Chaise d'étude: Junfang Xian, M.D., Ph.D., Department of Radiology, Beijing Tongren Hospital, Capital Medical University
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
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 (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- TREC2023-KY107
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 .