- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06370234
Le modèle de prédiction de la réponse NAC pour le cancer du sein basé sur les fonctionnalités de dynamique paramétrique.
Le modèle de prédiction de la réponse à la chimiothérapie néoadjuvante pour le cancer du sein basé sur les caractéristiques dynamiques paramétriques des images MR-PET et QDS-IR de prétraitement et de traitement précoce.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Le cancer du sein est le cancer le plus fréquemment diagnostiqué et reste la quatrième cause de décès par cancer chez les femmes taïwanaises au cours de la dernière décennie. Les décisions concernant le meilleur traitement pour le cancer du sein sont basées sur le résultat du test des récepteurs des œstrogènes (ER) et de la progestérone (PR), du test du récepteur du facteur de croissance épidermique humain de type 2 (HER2) et de la stadification TNM par biopsie. Après évaluation de l'état de la ménopause et de la réponse de ER, PR et HER2, les traitements du cancer du sein de stade 2 ou supérieur peuvent envisager une chimiothérapie néoadjuvante (NAC) pour les avantages de (1) convertir un cancer inopérable en cancer résécable chirurgicalement, (2) métastases. prise en charge, (3) rétrécissement de la tumeur, (4) amélioration de la survie globale et du taux de survie sans récidive (5) paramètres histologiques prédictifs. On sait que les patients présentant une réponse pathologique complète (pCR) après NAC sont associés à une meilleure survie sans maladie et à une survie globale améliorée. Par conséquent, il est essentiel de développer des schémas thérapeutiques plus efficaces et de stratifier les patients sur la base d'un modèle de prédiction assisté par ordinateur pour évaluer la réponse de la NAC.
L'objectif principal de cette étude est de développer un modèle de prédiction assisté par ordinateur pour la réponse au traitement NAC. Sur la base de l'hétérogénéité de la composition paramétrique interne de la tumeur couramment observée, cette étude utilisera les caractéristiques histologiques et la réponse au traitement pour étudier les caractéristiques de l'image comme données d'entrée pour prédire la réponse au traitement à l'aide de la technologie Deep Learning. Grâce à cette technique, l'évaluation du traitement préopératoire peut être facilitée par l'analyse de l'hétérogénéité des tumeurs à partir de la radiomique dynamique développée, et la possibilité d'une médecine personnelle peut être réalisée peu de temps après. Au cours des deux premières années de cette étude utilisant des images de DCE-MRI, PET/CT et QDS-IR, nous prévoyons de développer les algorithmes de traitement d'image, y compris la segmentation du sein et de la région tumorale, l'extraction des caractéristiques de l'image qui reflètent les propriétés angiogéniques et la perméabilité de la tumeur. , qui sont fortement corrélés à la réponse au traitement NAC. Au cours de la troisième année du projet, les caractéristiques de morphologie et de texture des deux premières années peuvent être combinées pour la TEP/IRM et un modèle de prédiction peut être réalisé conformément aux caractéristiques extraites de l'extraction dynamique des caractéristiques à l'aide d'images longitudinales de TEP/IRM. Voici les contributions attendues :
Proposer de nouvelles fonctionnalités de dynamique paramétrique pour surmonter les problèmes liés à la méthode de seuillage traditionnelle.
Développer des algorithmes de segmentation pour le tissu mammaire et la région tumorale sur l'IRM DCE afin d'améliorer la prédiction de la réponse au traitement.
Développer une analyse de trajectoire pour l'image QDS-IR non invasive. Développer un algorithme de segmentation pour le volume métabolique de la tumeur en enregistrant la limite d'absorption TEP avec la limite de la tumeur CT afin d'améliorer la fiabilité et la reproductibilité des caractéristiques morphologiques.
En combinant les techniques précédentes développées pour la TEP/CT et l'IRM DCE, de nouveaux types de caractéristiques, à savoir les caractéristiques dynamiques paramétriques de la TEP/IRM, peuvent servir de radiomique dynamique pour prédire la réponse de la NAC.
Développer un algorithme de Deep-Learning, qui est l'essentiel du projet en termes de méthodologie d'auto-apprentissage, pour exploiter l'espace des fonctionnalités de haute dimension à la recherche du modèle de prédiction.
Éligibilité et inscription des sujets Cette étude prospective a été approuvée par le comité d'éthique institutionnel local qui a renoncé à l'exigence d'approbation du patient et de consentement éclairé écrit pour l'examen des dossiers et des images.
D’avril 2015 à juin 2019, 60 femmes atteintes d’un cancer du sein et ayant subi une NAC ont été examinées pour déterminer leur admissibilité. Les critères d'éligibilité étaient les patients qui : (a) étaient âgés de plus de 18 ans, (b) atteints d'un cancer du sein pathologiquement confirmé avec biopsie à l'aiguille, (c) étaient disposés à subir une NAC, (d) étaient éligibles à une intervention chirurgicale après une NAC, et (e) étaient disposés à subir au moins deux TEP/IRM pendant la NAC : la première [R0], le prétraitement ; et le second [R1], après deux cycles de chimiothérapie (post-traitement). Sur les 60 femmes, 14 ont été exclues pour les raisons suivantes : (a) métastases à distance découvertes après le premier scanner (n = 1), de sorte qu'elles n'étaient pas éligibles à la chirurgie ; (b) patients incapables de réaliser deux TEP/IRM séquentielles pour des raisons personnelles (n = 10) ; (c) les patients ont refusé une nouvelle NAC après le premier cycle (n = 2) ; et (d) l'analyse post-traitement n'a pas pu être réalisée en raison d'un taux de créatinine élevé (n = 1). Le diagramme de flux d’inclusion de l’étude est présenté à la figure 1. Tous les patients ont reçu 6 à 8 cycles de NAC, y compris les options suivantes. Pour les patients négatifs au récepteur 2 du facteur de croissance épidermique humain (HER2), la NAC comprenait l'utilisation concomitante d'épirubicine avec du cyclophosphamide (à base de CE) ou d'épirubicine avec du cyclophosphamide suivi de taxanes (docétaxel ou paclitaxel ; EC+T). Pour les patients HER2-positifs, les protocoles NAC comprenaient l'utilisation concomitante de taxanes avec le trastuzumab (à base de TH), ou un régime concomitant de taxanes et de cyclophosphamide suivi de trastuzumab (EC+TH), ou de taxanes avec du trastuzumab et du pertuzumab (THP). Un patient triple négatif a reçu du paclitaxel avec de l'afatinib.
Des examens IRM d'acquisition d'images TEP/MR ont été réalisés sur un scanner TEP/MR 3T (Biograph mMR, Siemens Healthcare, Erlangen, Allemagne). L'analyse de mi-traitement a été organisée après deux cycles de NAC. Le dernier scanner a été organisé avant la chirurgie. Les patientes ont été scannées en position couchée à l'aide d'une antenne mammaire dédiée à quatre canaux (Noras GmbH, Höchberg, Allemagne). Après un jeûne d'au moins 6 heures, les patients ont reçu une injection intraveineuse de 3,7 à 5,55 MBq/kg (0,1-0,15 mCi/kg) de 18F-fluorodésoxyglucose (18F-FDG). Une TEP/IRM a été réalisée environ 60 minutes plus tard. Une TEP mammaire de 10 minutes a été réalisée ainsi qu'une IRM mammaire précontraste en position couchée. Les images TEP ont été reconstruites avec un algorithme itératif de sous-ensemble ordonné de maximisation des attentes (3 itérations, 21 sous-ensembles), avec un filtre gaussien de post-reconstruction de 4 mm et une matrice d'image de 172 x 172. La correction d'atténuation des données TEP a été obtenue à l'aide d'une carte de correction d'atténuation segmentée avec filtre à 4 classes de tissus (air, poumon, graisse, tissus mous), qui a été reconstruite à partir d'une séquence d'impulsions Dixon MR à 2 points.
Le protocole d'IRM mammaire préconstrat incluait un écho de gradient 2D pondéré en T1 (temps de répétition [TR]/temps d'écho [TE], 500/9,8 ms, angle de retournement 150°, épaisseur de tranche 3,5 mm ; champ de vision de la matrice [FOV] 320 × 320), images STIR (Short Tau Inversion Recovery) pondérées T2 (TR/TE/TI = 3 000/78/230 ms, taille de la matrice 320 × 320, épaisseur de tranche 4,0 mm, FOV de la matrice 330 × 330 mm), images pondérées en diffusion (DWI) (TR/TE = 7 500/83 ms, taille de matrice 192 × 77, épaisseur de coupe 4,0 mm, FOV 360 × 1 830 mm, valeur b = 50, 600 et 1 000 s/ mm2, moyenne = 2) avec des cartes de coefficient de diffusion apparent (ADC) ont été acquises.
Sept images dynamiques à contraste amélioré, dont une avant et six après l'administration d'un agent de contraste, ont été acquises à l'aide d'une séquence d'écho de gradient 3D saturée en graisse, pondérée en T1, FLASH (Fast Low Angle Shot) (TR/TE 4,1/1,5 ms, épaisseur de coupe et écart 1,0/0 mm, taille de la matrice 352 × 282, angle de retournement 10°, 146 tranches, FOV 330 × 330 mm) avec récupération par inversion spectrale atténuée (SPAIR), chaque série a duré environ 60 secondes. L'IRM-DCE post-contraste a été démarrée 10 secondes après l'injection intraveineuse de 0,1 mmol/kg de gadobutrol (Gadovist ; Bayer Pharma AG, Berlin, Allemagne) avec un débit d'injection de 3 mL/s.
Évaluation histopathologique Le type et le grade histologiques étaient basés sur les rapports histopathologiques de biopsies au trocart guidées par échographie réalisées avant la NAC. Les expressions du récepteur des œstrogènes (ER), du récepteur de la progestérone (PR) et de HER2 ont été évaluées par coloration immunohistochimique. La positivité des ER et des PR a été évaluée à l’aide du score Allred, dans lequel un score > 3 était considéré comme positif. Les tumeurs étaient considérées comme HER2 positives si le score immunohistochimique était de 3+. Dans les cas de statut HER2 équivoque (score 2+) en immunohistochimie, une analyse d'hybridation in situ en fluorescence (FISH) a été réalisée pour confirmer le diagnostic.
Un pCR a été défini comme l'absence de cancer invasif résiduel, à l'exception du carcinome canalaire in situ (CCIS) dans l'échantillon chirurgical du sein après NAC et l'absence d'atteinte des ganglions lymphatiques axillaires, comme indiqué précédemment par Pinder et al.
Analyse des images Les images ont été interprétées par deux radiologues (Y.F.L. et N.C., tous deux ayant 12 ans d'expérience en imagerie mammaire). L’aspect de la tumeur à l’IRM (rehaussement de masse et sans masse) a été évalué visuellement par les deux radiologues. Les régions d'intérêt (ROI) ont été définies manuellement en sélectionnant une région bidimensionnelle renfermant la plus grande zone transversale d'intensité de signal élevée qui différait du parenchyme de fond normal sur la cinquième série à contraste amélioré, tout en évitant le parenchyme et le marquage normaux. artefacts de clip. Si le cancer était multifocal ou multicentrique, le retour sur investissement était mesuré au niveau de la zone tumorale la plus grande.
Une fois les ROI de la tumeur segmentées, les images TEP et IRM, y compris DWI, et les mesures de la ROI des images à coefficient de diffusion apparent (ADC) ont été alignées à l'aide des ROI dessinées sur des images à contraste dynamique amélioré (DCE) à l'aide d'un enregistrement semi-automatique non rigide et d'un alignement manuel. Où il faut. Les ROI ont été évaluées simultanément sur six phases différentes d'images DCE (codées P1 à P6). Les ROI ont également été enregistrées sur d'autres séries, notamment les DWI à valeur b = 1 000 sec/mm2, la carte ADC et les images TEP. À partir de chaque retour sur investissement, six caractéristiques de texture de premier ordre et quatre caractéristiques de second ordre ont été automatiquement calculées. L'analyse de l'histogramme a été utilisée pour évaluer les caractéristiques texturales de premier ordre, notamment la moyenne, l'écart type (ET), la médiane, les valeurs des 5e et 95e percentiles, l'aplatissement et l'asymétrie. Pour l'analyse texturale de second ordre, une matrice de cooccurrence de niveaux de gris (GLCM) a été utilisée comme matrice parent, et quatre caractéristiques texturales hétérogènes ont été extraites du GLCM, à savoir l'entropie de différence (DiffEntropy), la variance de différence (DiffVariance), contraste et entropie [18]. Ces paramètres de texture ont été calculés à l'aide du logiciel prototype MR Multiparametric Analysis (Siemens Healthcare, Erlangen, Allemagne). Tous les paramètres d'imagerie ont été évalués à l'aide de scans TEP/IRM effectués avant le traitement (R0) et à mi-traitement (R1), et avant la chirurgie (R2) sont analysés.
Type d'étude
Inscription (Réel)
Phase
- N'est pas applicable
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critère d'intégration:
- (a) étaient âgés de plus de 20 ans,
- (b) avec un cancer du sein pathologiquement confirmé avec biopsie à l'aiguille
- (c) étaient disposés à subir une NAC
- (d) étaient éligibles à une intervention chirurgicale après une NAC
- (e) étaient disposés à subir au moins trois TEP/IRM pendant la NAC : la première [R0], le prétraitement ; et le deuxième [R1], après deux cycles de chimiothérapie (post-traitement) et avant la chirurgie [R2]
Critère d'exclusion:
- (a) métastases à distance ou cancer du sein récurrent.
- (b) incapable de se conformer au calendrier séquentiel d'analyse TEP/IRM.
- (c) Insuffisance rénale, CCR> 30 ml/min.
- (d) Aller connu
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Diagnostique
- Répartition: N / A
- Modèle interventionnel: Affectation à un seul groupe
- Masquage: Aucun (étiquette ouverte)
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
---|---|
Autre: TEP/IRM chez les patientes atteintes d'un cancer du sein par chimiothérapie néoadjuvante
D’avril 2015 à juin 2019, des femmes atteintes d’un cancer du sein ayant subi une chimiothérapie néoadjuvante ont été inscrites. Organisation d'au moins trois TEP/IRM pendant la NAC : la première [R0], prétraitement ; et le deuxième [R1], après deux cycles de chimiothérapie (post-traitement) et le troisième [R2] avant la chirurgie. |
Les sujets inscrits et participant à cette étude auront fait une TEP/MR pendant la chimiothérapie préopératoire.
Mais, en procédure normale, ils ne l’auront pas fait.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Pouvoir de prédiction du modèle de la réponse pathologique complète (pCR)
Délai: une moyenne de quatre mois
|
Comparaison de différents modèles de prédiction dérivés de MR/PET et de QDS-IR en termes d'AUC.
|
une moyenne de quatre mois
|
Comparaison de modèles de prédiction de la réponse pathologique complète (pCR)
Délai: une moyenne de quatre mois
|
Comparaison de différents modèles de prédiction dérivés de MR/PET et QDS-IR en termes de sensibilité, de spécificité et de précision.
|
une moyenne de quatre mois
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chaise d'étude: Yeun-Chung Chang, M.D., PhD., National Taiwan University Hospital
Publications et liens utiles
Publications générales
- Gerlinger M, Rowan AJ, Horswell S, Math M, Larkin J, Endesfelder D, Gronroos E, Martinez P, Matthews N, Stewart A, Tarpey P, Varela I, Phillimore B, Begum S, McDonald NQ, Butler A, Jones D, Raine K, Latimer C, Santos CR, Nohadani M, Eklund AC, Spencer-Dene B, Clark G, Pickering L, Stamp G, Gore M, Szallasi Z, Downward J, Futreal PA, Swanton C. Intratumor heterogeneity and branched evolution revealed by multiregion sequencing. N Engl J Med. 2012 Mar 8;366(10):883-892. doi: 10.1056/NEJMoa1113205. Erratum In: N Engl J Med. 2012 Sep 6;367(10):976.
- Houssami N, Macaskill P, von Minckwitz G, Marinovich ML, Mamounas E. Meta-analysis of the association of breast cancer subtype and pathologic complete response to neoadjuvant chemotherapy. Eur J Cancer. 2012 Dec;48(18):3342-54. doi: 10.1016/j.ejca.2012.05.023. Epub 2012 Jul 3.
- Yang Z, Tang LH, Klimstra DS. Effect of tumor heterogeneity on the assessment of Ki67 labeling index in well-differentiated neuroendocrine tumors metastatic to the liver: implications for prognostic stratification. Am J Surg Pathol. 2011 Jun;35(6):853-60. doi: 10.1097/PAS.0b013e31821a0696.
- Davnall F, Yip CS, Ljungqvist G, Selmi M, Ng F, Sanghera B, Ganeshan B, Miles KA, Cook GJ, Goh V. Assessment of tumor heterogeneity: an emerging imaging tool for clinical practice? Insights Imaging. 2012 Dec;3(6):573-89. doi: 10.1007/s13244-012-0196-6. Epub 2012 Oct 24.
- Gillies RJ, Schornack PA, Secomb TW, Raghunand N. Causes and effects of heterogeneous perfusion in tumors. Neoplasia. 1999 Aug;1(3):197-207. doi: 10.1038/sj.neo.7900037.
- von Minckwitz G, Rezai M, Loibl S, Fasching PA, Huober J, Tesch H, Bauerfeind I, Hilfrich J, Eidtmann H, Gerber B, Hanusch C, Kuhn T, du Bois A, Blohmer JU, Thomssen C, Dan Costa S, Jackisch C, Kaufmann M, Mehta K, Untch M. Capecitabine in addition to anthracycline- and taxane-based neoadjuvant treatment in patients with primary breast cancer: phase III GeparQuattro study. J Clin Oncol. 2010 Apr 20;28(12):2015-23. doi: 10.1200/JCO.2009.23.8303. Epub 2010 Mar 22.
- Kaufmann M, von Minckwitz G, Bear HD, Buzdar A, McGale P, Bonnefoi H, Colleoni M, Denkert C, Eiermann W, Jackesz R, Makris A, Miller W, Pierga JY, Semiglazov V, Schneeweiss A, Souchon R, Stearns V, Untch M, Loibl S. Recommendations from an international expert panel on the use of neoadjuvant (primary) systemic treatment of operable breast cancer: new perspectives 2006. Ann Oncol. 2007 Dec;18(12):1927-34. doi: 10.1093/annonc/mdm201. Epub 2007 Nov 12.
- Pinker K, Helbich TH, Morris EA. The potential of multiparametric MRI of the breast. Br J Radiol. 2017 Jan;90(1069):20160715. doi: 10.1259/bjr.20160715. Epub 2016 Nov 2. Erratum In: Br J Radiol. 2017 Apr;90(1072):20160715e.
- Yoon HJ, Kim Y, Chung J, Kim BS. Predicting neo-adjuvant chemotherapy response and progression-free survival of locally advanced breast cancer using textural features of intratumoral heterogeneity on F-18 FDG PET/CT and diffusion-weighted MR imaging. Breast J. 2019 May;25(3):373-380. doi: 10.1111/tbj.13032. Epub 2018 Mar 30.
- Wang J, Shih TT, Yen RF. Multiparametric Evaluation of Treatment Response to Neoadjuvant Chemotherapy in Breast Cancer Using Integrated PET/MR. Clin Nucl Med. 2017 Jul;42(7):506-513. doi: 10.1097/RLU.0000000000001684.
- Erratum: Predicting Response to Neoadjuvant Chemotherapy in Patients With Breast Cancer: Combined Statistical Modeling Using Clinicopathological Factors and FDG PET/CT Texture Parameters. Clin Nucl Med. 2021 Jun 1;46(6):525. doi: 10.1097/RLU.0000000000003704. No abstract available.
- Lim I, Noh WC, Park J, Park JA, Kim HA, Kim EK, Park KW, Lee SS, You EY, Kim KM, Byun BH, Kim BI, Choi CW, Lim SM. The combination of FDG PET and dynamic contrast-enhanced MRI improves the prediction of disease-free survival in patients with advanced breast cancer after the first cycle of neoadjuvant chemotherapy. Eur J Nucl Med Mol Imaging. 2014 Oct;41(10):1852-60. doi: 10.1007/s00259-014-2797-4. Epub 2014 Jun 14.
- Hylton NM, Blume JD, Bernreuter WK, Pisano ED, Rosen MA, Morris EA, Weatherall PT, Lehman CD, Newstead GM, Polin S, Marques HS, Esserman LJ, Schnall MD; ACRIN 6657 Trial Team and I-SPY 1 TRIAL Investigators. Locally advanced breast cancer: MR imaging for prediction of response to neoadjuvant chemotherapy--results from ACRIN 6657/I-SPY TRIAL. Radiology. 2012 Jun;263(3):663-72. doi: 10.1148/radiol.12110748.
- Yuan Y, Chen XS, Liu SY, Shen KW. Accuracy of MRI in prediction of pathologic complete remission in breast cancer after preoperative therapy: a meta-analysis. AJR Am J Roentgenol. 2010 Jul;195(1):260-8. doi: 10.2214/AJR.09.3908.
- Choi JH, Kim HA, Kim W, Lim I, Lee I, Byun BH, Noh WC, Seong MK, Lee SS, Kim BI, Choi CW, Lim SM, Woo SK. Early prediction of neoadjuvant chemotherapy response for advanced breast cancer using PET/MRI image deep learning. Sci Rep. 2020 Dec 3;10(1):21149. doi: 10.1038/s41598-020-77875-5.
- Romeo V, Clauser P, Rasul S, Kapetas P, Gibbs P, Baltzer PAT, Hacker M, Woitek R, Helbich TH, Pinker K. AI-enhanced simultaneous multiparametric 18F-FDG PET/MRI for accurate breast cancer diagnosis. Eur J Nucl Med Mol Imaging. 2022 Jan;49(2):596-608. doi: 10.1007/s00259-021-05492-z. Epub 2021 Aug 10.
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
- 201412166MINA
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
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 Cancer du sein
-
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