Analyse d'images basée sur TEP/CT et apprentissage automatique des lésions pulmonaires hypermétaboliques
22 juillet 2025 mis à jour par: Hu Jiajia, Ruijin Hospital
Distinction basée sur l'imagerie TEP/CT du lymphome pulmonaire et d'autres lésions hypermétaboliques via des manifestations d'imagerie et des techniques d'apprentissage automatique : une étude rétrospective multicentrique
Tout d’abord, nous analysons les types, les résultats d’imagerie et les réponses thérapeutiques pertinentes basées sur la TEP/TDM pour compléter une vision plus complète des lymphomes pulmonaires.
Ensuite, des modèles basés sur des fonctionnalités radiomiques seront développés pour vérifier la possibilité de différencier les lymphomes pulmonaires via l'apprentissage automatique et développer un modèle de classification multi-classes.
L'objectif final de cette étude est de développer un ensemble de modèles d'apprentissage profond pour la segmentation préliminaire des lésions pulmonaires et la classification multi-classes. Les modèles classeront les lésions pulmonaires avides de FDG en quatre groupes, chacun défini par son origine pathologique, son traitement primaire et son service clinique concerné.
Aperçu de l'étude
Statut
Complété
Les conditions
Intervention / Traitement
Description détaillée
- Le logiciel d'extraction de caractéristiques d'images locales (LIFEx, v 7.4.0, France) a été utilisé pour l’examen des images et la mesure des données pertinentes. Trois observateurs ont interprété indépendamment les images. En cas de désaccord, l’avis d’un médecin expérimenté ayant plus d’une décennie d’expérience était privilégié. Les résultats de l'imagerie ont été enregistrés sur la base des examens de base. Le nombre de lésions, leur localisation et leurs étiquettes descriptives ont été systématiquement enregistrés conformément aux normes énoncées dans le rapport d'imagerie. Le logiciel statistique SPSS (v26.0) a été utilisé pour le tri et le calcul des données. Le test du chi carré a été utilisé pour comparer le SPL et le PPL sur la base de variables catégorielles telles que les résultats de la tomodensitométrie, tandis que le test T a été utilisé pour évaluer des variables continues telles que la glycémie et le SUV. Compte tenu de la prédominance des variables catégorielles, le test du chi carré ou le test exact de Fisher (pour les échantillons <40 ou >20 % de cellules avec <5 comptes attendus) a été utilisé pour évaluer la réponse au traitement et les performances d'imagerie. Le coefficient de corrélation de Spearman a été utilisé pour analyser la relation entre les variables continues catégorielles et basées sur le SUV.
- Dans cette étude, le volume métabolique de la tumeur à un seuil relatif de 40 % (MTV40 %) a été sélectionné comme volume d'intérêt (VOI) pour l'analyse d'images. Pour l'extraction de fonctionnalités, nous avons utilisé la boîte à outils d'extraction de fonctionnalités radiomiques basée sur Python (v3.11.7) PyRadiomics (v3.1.0), ainsi que la bibliothèque de traitement d'images médicales SimpleITK (v2.3.1), la bibliothèque de calcul numérique et de manipulation de données Numpy (v1.26.2) et la bibliothèque de transformation en ondelettes PyWavelet (v1.5.0). La sélection des fonctionnalités a été effectuée à l'aide de RStudio (v.2023.12.0+369) basé sur le langage de programmation R (v4.2.0). Pour garantir l'efficacité du calcul et éviter le surapprentissage, le nombre de caractéristiques conservées a été limité à 10 % ou moins du nombre de lésions dans l'ensemble d'apprentissage. L'analyse et la validation du modèle ont également été principalement effectuées à l'aide de RStudio.
- L’étude d’apprentissage profond divise la tâche d’identification et de classification des lésions pulmonaires hypermétaboliques en deux étapes : la segmentation et la classification. Au cours de l’étape de segmentation, nous avons d’abord utilisé le modèle 2D open source Lungmask pour recadrer automatiquement la région pulmonaire à partir d’images TEP/CT du corps entier, garantissant ainsi que le traitement ultérieur se concentre sur la zone pulmonaire. Ensuite, nous avons développé un modèle UNet 3D avec des modules résiduels spécifiquement conçus pour segmenter les lésions pulmonaires hypermétaboliques. Ce modèle prend les images TEP/CT recadrées comme entrée, extrayant efficacement les informations sur les lésions des images tridimensionnelles et segmentant avec précision les zones de lésions pulmonaires hypermétaboliques. Le modèle a ensuite été appliqué à la fois aux ensembles de tests internes et aux ensembles de validation externes pour l'inférence, ce qui a abouti à l’extraction des ROI contenant des lésions.
Type d'étude
Observationnel
Inscription (Réel)
647
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
-
-
Shanghai
-
Shanghai, Shanghai, Chine, 200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
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 non probabiliste
Population étudiée
Cette étude rétrospective a recruté des patients ayant subi des examens TEP/CT au service de médecine nucléaire de janvier 2015 à février 2024 dans 5 établissements : l'hôpital Ruijin, le centre Proton de l'hôpital Ruijin Nord, l'hôpital pulmonaire de Shanghai, l'hôpital populaire de Lu'an de la province d'Anhui et le Hôpital affilié à l'Université de médecine traditionnelle chinoise de Nanjing.
La description
Critères d'inclusion :
- Patients adultes (≥18 ans) ;
- Lymphome primaire ou récurrent, ≥ 6 mois après le dernier traitement ; patients atteints d'un cancer primitif du poumon sans tumeur maligne préalable ;
- Lésions pulmonaires solides bénignes, sans tumeur maligne préalable ;
- Métastases pulmonaires, non traitées par radiothérapie pulmonaire ou implantation de particules ;
- Évaluation de base révélant des lésions pulmonaires PET-positives.
- Résultats pathologiques dans les 3 mois suivant la date de l'examen, types de lésions pulmonaires confirmés par trachéoscopie, ponction pulmonaire ou intervention chirurgicale.
- Les lésions pulmonaires de base restant considérées comme un lymphome pulmonaire (ou des métastases) sur la base d'une évaluation clinique et d'imagerie de suivi.
Critères d'exclusion :
- Mauvaise qualité d'image ;
- Incapacité de délimiter les limites des lésions pulmonaires sur les images CT ;
- Artefacts causés par des dispositifs à proximité tels que des stents ou des tubes de drainage.
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 |
|---|---|
|
Lymphome pulmonaire
(1) Patients adultes (≥18 ans).
(2) Patients atteints d'un lymphome primitif ou récurrent, ≥ 6 mois après le dernier traitement.
(3) L'évaluation de base à l'hôpital a révélé des lésions pulmonaires TEP-positives, d'un diamètre maximal mesuré par CT ≥ 3 mm, visibles sur ≥ 2 couches d'image.
(4) Résultats pathologiques dans les 3 mois suivant la date de l'examen, types de lésions pulmonaires confirmés par trachéoscopie, ponction pulmonaire ou intervention chirurgicale.
Ou les lésions pulmonaires de base du lymphome diagnostiquées par une ponction ganglionnaire et pulmonaire externe, restent considérées comme un lymphome pulmonaire sur la base d'une évaluation clinique et d'imagerie de suivi.
|
Observer les images médicales via un poste de travail ou un logiciel d'analyse d'images local
Extraction de fonctionnalités d'image via la radiomique ou des méthodes d'apprentissage en profondeur
|
|
Cancer du poumon
(1) Patients adultes (≥18 ans).
(2) Patients atteints d'un cancer primitif du poumon sans tumeur maligne préalable (3) L'évaluation de base à l'hôpital a révélé des lésions pulmonaires TEP-positives, d'un diamètre maximal mesuré par CT ≥ 3 mm, visibles sur ≥ 2 couches d'image.
(4) Résultats pathologiques dans les 3 mois suivant la date de l'examen, types de lésions pulmonaires confirmés par trachéoscopie, ponction pulmonaire ou intervention chirurgicale.
|
Observer les images médicales via un poste de travail ou un logiciel d'analyse d'images local
Extraction de fonctionnalités d'image via la radiomique ou des méthodes d'apprentissage en profondeur
|
|
Bénin
(1) Patients adultes (≥18 ans).
(2) Patients présentant des lésions pulmonaires solides bénignes, sans tumeur maligne préalable.
(3) L'évaluation de base à l'hôpital a révélé des lésions pulmonaires TEP-positives, d'un diamètre maximal mesuré par CT ≥ 3 mm, visibles sur ≥ 2 couches d'image.
(4) Résultats pathologiques dans les 3 mois suivant la date de l'examen, types de lésions pulmonaires confirmés par trachéoscopie, ponction pulmonaire ou intervention chirurgicale.
|
Observer les images médicales via un poste de travail ou un logiciel d'analyse d'images local
Extraction de fonctionnalités d'image via la radiomique ou des méthodes d'apprentissage en profondeur
|
|
Métastase
(1) Patients adultes (≥18 ans).
(2) Patients métastatiques pulmonaires, non traités par radiothérapie pulmonaire ou implantation de particules.
(3) L'évaluation de base à l'hôpital a révélé des lésions pulmonaires TEP-positives, d'un diamètre maximal mesuré par CT ≥ 3 mm, visibles sur ≥ 2 couches d'image.
(4) Résultats pathologiques dans les 3 mois suivant la date de l'examen, types de lésions pulmonaires confirmés par trachéoscopie, ponction pulmonaire ou intervention chirurgicale.
Ou les lésions pulmonaires de base des métastases diagnostiquées par une ponction ganglionnaire et pulmonaire externe, restent considérées comme des métastases pulmonaires sur la base d'une évaluation clinique et d'imagerie de suivi.
|
Observer les images médicales via un poste de travail ou un logiciel d'analyse d'images local
Extraction de fonctionnalités d'image via la radiomique ou des méthodes d'apprentissage en profondeur
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Délai |
|---|---|
|
Fonctionnalités d'imagerie/radiomique/apprentissage profond de l'image TEP/CT au 18F-FDG
Délai: Référence
|
Référence
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Efficacité du modèle de segmentation
Délai: immédiatement après le développement et les tests des modèles
|
L'efficacité du modèle de segmentation est évaluée par le taux de détection des lésions et le coefficient de similarité Dice (2(A∩B)/ (A+B), A=volume de voxel segmenté, B=volume de vérité terrain), qui décrivent tous deux le précision de la division de la lésion et de l'arrière-plan.
|
immédiatement après le développement et les tests des modèles
|
|
Efficacité du modèle de classification
Délai: immédiatement après le développement et les tests des modèles
|
Le modèle de classification est évalué par l'exactitude [ (TP+TN)/(TP+FP+TN+FN) ] , la précision [TP/(TP+FP)], le rappel [TP/(TP+FN)], F1- score [2*précision*rappel/(précision+rappel)], qui décrit tous le rapport des lésions correctement ou mal classées des échantillons sous différents aspects.
Tandis que la courbe des caractéristiques de fonctionnement du récepteur (ROC) peut illustrer cela de manière plus visuelle.
L'aire sous la courbe (AUC) calcule la proportion d'aire sous la courbe ROC, allant de 0 à 1, représentant l'efficacité globale de la classification dans chaque groupe.
|
immédiatement après le développement et les tests des modèles
|
Collaborateurs et enquêteurs
C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.
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)
1 avril 2024
Achèvement primaire (Réel)
20 juillet 2024
Achèvement de l'étude (Réel)
30 avril 2025
Dates d'inscription aux études
Première soumission
11 septembre 2024
Première soumission répondant aux critères de contrôle qualité
17 septembre 2024
Première publication (Réel)
19 septembre 2024
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
23 juillet 2025
Dernière mise à jour soumise répondant aux critères de contrôle qualité
22 juillet 2025
Dernière vérification
1 juillet 2025
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- RuijinH 2024-70
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
NON
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
produit fabriqué et exporté des États-Unis.
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 .