Modèles de radiomique et d'apprentissage profond basés sur la tomodensitométrie pour prédire l'invasion du cartilage thyroïde et le pronostic des patients atteints d'un carcinome laryngé
20 août 2024 mis à jour par: xinwei Chen, First Affiliated Hospital of Chongqing Medical University
Radiomique basée sur la tomodensitométrie, modèles d'apprentissage profond bidimensionnels et tridimensionnels pour prédire l'invasion du cartilage thyroïde et le pronostic des patients atteints de carcinome laryngé : une étude multicentrique
Cette étude rétrospective visait à développer et à vérifier un modèle radiomique basé sur la tomodensitométrie, un modèle d'apprentissage profond 2D et un modèle d'apprentissage profond 3D pour prédire de manière préopératoire l'invasion du cartilage thyroïde chez les patients atteints d'un cancer du larynx, afin de fournir une base de diagnostic et de traitement plus précise aux cliniciens.
Et les performances des modèles susmentionnés ont été comparées à celles de deux radiologues.
De plus, les chercheurs ont étudié la prédiction des résultats de survie des patients à l’aide des modèles optimaux ci-dessus.
Aperçu de l'étude
Statut
Recrutement
Les conditions
Intervention / Traitement
Description détaillée
Le carcinome épidermoïde du larynx (LSCC), l'une des tumeurs de la tête et du cou les plus courantes, est la huitième cause de décès associés au cancer dans le monde.
Les décisions thérapeutiques ont un impact profond à la fois sur le contrôle tumoral et sur le pronostic fonctionnel des patients LSCC.
Et ces décisions reposent principalement sur le stade de la tumeur, l’invasion du cartilage thyroïde étant un déterminant crucial.
Par conséquent, la présence d’une invasion du cartilage thyroïde indique un diagnostic de stade avancé (T3 ou T4) pour les patients LSCC.
Pour les patients sans invasion du cartilage thyroïde, une laryngectomie partielle peut être envisagée pour préserver la fonction laryngée.
Cependant, chez les patients présentant un carcinome laryngé avancé et une invasion du cartilage thyroïde s'étendant au-delà du larynx, une laryngectomie totale est souvent nécessaire pour éliminer complètement la tumeur et prolonger la durée de survie.
Par conséquent, une évaluation précise de l’invasion du cartilage thyroïde est essentielle pour la prise de décision thérapeutique et l’évaluation du pronostic des patients LSCC.
Récemment, l’intelligence artificielle, sous la forme d’apprentissage automatique et d’apprentissage profond (DL), a été largement appliquée à l’imagerie médicale.
La radiomique, qui joue un rôle important dans l’apprentissage automatique, peut extraire des données caractéristiques de grande dimension et fournir quantitativement des informations précieuses pour le stade et le pronostic des tumeurs.
De plus, DL peut capturer et apprendre automatiquement les caractéristiques discriminantes de bout en bout pour une prédiction précise.
Collectivement, les objectifs de cette étude multicentrique étaient de développer et de valider un modèle radiomique, un modèle DL 2D et un modèle DL 3D basés sur les images CT en phase veineuse, et de comparer les performances de ces modèles à celles de deux radiologues pour prédire le cartilage thyroïde. invasion.
De plus, les chercheurs ont étudié la valeur pronostique du modèle optimal prévu d’invasion du cartilage thyroïde.
Type d'étude
Observationnel
Inscription (Estimé)
400
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.
Lieux d'étude
-
-
-
Chongqing, Chine
- Recrutement
- The First Affiliated Hospital of Chongqing Medical University
-
Contact:
- Peng juan
- Numéro de téléphone: +86 189 8328 0171
- E-mail: pengjuan1209@126.com
-
-
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
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Non
Méthode d'échantillonnage
Échantillon de probabilité
Population étudiée
Les enquêteurs ont collecté des patients atteints d'un carcinome laryngé dans deux centres.
Les patients du centre 1 ont été répartis au hasard entre la cohorte de formation et la cohorte de validation interne dans un rapport de 7 : 3.
De plus, les patients du centre 2 ont été inscrits comme cohorte de validation externe.
La description
Critère d'intégration:
- Disponibilité de données cliniques complètes
- Diagnostic prouvé par chirurgie ou par biopsie du carcinome épidermoïde du larynx
- Examen tomodensitométrique réalisé dans les 2 semaines précédant l'intervention chirurgicale
Critère d'exclusion:
- Patients ayant reçu une chimiothérapie ou une radiothérapie préopératoire
- Images CT avec artefacts significatifs
- Patients présentant une récidive tumorale
- Patients présentant un diamètre tumoral maximum inférieur à 5 mm
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
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
cohorte de formation
Aucune intervention
|
Radiomics extrait des informations quantitatives à partir d’images médicales pour générer des vecteurs de caractéristiques de grande dimension à des fins d’analyse. Il vise à fournir des informations sur les processus pathologiques et à améliorer le diagnostic. L'apprentissage profond utilise des réseaux de neurones à plusieurs couches pour apprendre des modèles complexes à partir de données. En imagerie médicale, il permet une analyse précise et efficace pour la détection et le diagnostic des maladies.
Autres noms:
|
|
cohorte de validation interne
Aucune intervention
|
Radiomics extrait des informations quantitatives à partir d’images médicales pour générer des vecteurs de caractéristiques de grande dimension à des fins d’analyse. Il vise à fournir des informations sur les processus pathologiques et à améliorer le diagnostic. L'apprentissage profond utilise des réseaux de neurones à plusieurs couches pour apprendre des modèles complexes à partir de données. En imagerie médicale, il permet une analyse précise et efficace pour la détection et le diagnostic des maladies.
Autres noms:
|
|
cohorte de validation externe
Aucune intervention
|
Radiomics extrait des informations quantitatives à partir d’images médicales pour générer des vecteurs de caractéristiques de grande dimension à des fins d’analyse. Il vise à fournir des informations sur les processus pathologiques et à améliorer le diagnostic. L'apprentissage profond utilise des réseaux de neurones à plusieurs couches pour apprendre des modèles complexes à partir de données. En imagerie médicale, il permet une analyse précise et efficace pour la détection et le diagnostic des maladies.
Autres noms:
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Aire sous la courbe, AUC
Délai: À la fin des études, une moyenne de 6 mois
|
L'aire sous la courbe (AUC) est une métrique largement utilisée dans l'apprentissage automatique et la recherche médicale pour évaluer les performances des modèles dans les problèmes de classification binaire.
Il reflète la capacité d’un modèle à identifier les vrais positifs (True Positives) tout en évitant de classer à tort les exemples négatifs comme positifs (False Positives).
|
À la fin des études, une moyenne de 6 mois
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Survie sans maladie, DFS
Délai: La date de l'intervention chirurgicale et la survenue d'événements tels que la progression de la maladie, la date du dernier suivi ou le décès quelle qu'en soit la cause, et la durée du suivi était d'au moins 3 ans.
|
La survie sans maladie (DFS) fait référence au temps écoulé entre le début de la randomisation (généralement le point de départ d'un essai clinique) et la récidive de la maladie ou le décès du patient en raison de la progression de la maladie.
La DFS est un indicateur clinique et statistique important utilisé pour évaluer les effets à long terme du traitement du cancer.
|
La date de l'intervention chirurgicale et la survenue d'événements tels que la progression de la maladie, la date du dernier suivi ou le décès quelle qu'en soit la cause, et la durée du suivi était d'au moins 3 ans.
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
Collaborateurs
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 août 2023
Achèvement primaire (Estimé)
13 septembre 2024
Achèvement de l'étude (Estimé)
13 octobre 2024
Dates d'inscription aux études
Première soumission
12 juin 2024
Première soumission répondant aux critères de contrôle qualité
17 juin 2024
Première publication (Réel)
18 juin 2024
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
22 août 2024
Dernière mise à jour soumise répondant aux critères de contrôle qualité
20 août 2024
Dernière vérification
1 août 2024
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
- Maladies des voies respiratoires
- Tumeurs par type histologique
- Tumeurs
- Tumeurs par site
- Tumeurs, glandulaires et épithéliales
- Maladies du système endocrinien
- Tumeurs des voies respiratoires
- Tumeurs oto-rhino-laryngologiques
- Tumeurs de la tête et du cou
- Maladies oto-rhino-laryngologiques
- Maladies laryngées
- Carcinome
- Maladies thyroïdiennes
- Tumeurs laryngées
Autres numéros d'identification d'étude
- 2024-Chenx
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
Description du régime IPD
Les données cliniques sont collectées manuellement à partir du système de cas cliniques ; les données d'image CT sont exportées du système PACS et stockées de manière anonyme sur un disque de données séparé ; et les images sont collectées et stockées de manière anonyme sur un disque de données séparé.
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 .