Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

A hipermetabolikus tüdőelváltozások PET/CT-alapú képelemzése és gépi tanulása

2025. július 22. frissítette: Hu Jiajia, Ruijin Hospital

A pulmonalis limfóma és más hipermetabolikus elváltozások PET/CT képalkotó alapú megkülönböztetése képalkotó manifesztációk és gépi tanulási technikák segítségével: többközpontú retrospektív vizsgálat

Először elemezzük a típusokat, a képalkotó leleteket és a releváns kezelési válaszokat PET/CT alapján, hogy átfogóbb képet kapjunk a pulmonalis limfómákról.

Ezután néhány radiomikai jellemzőn alapuló modellt fejlesztenek ki, hogy ellenőrizzék a tüdőlimfómák gépi tanulással történő megkülönböztetésének lehetőségét, és több osztályú osztályozási modellt dolgozzanak ki.

A tanulmány végső célja mély tanulási modellek készletének kidolgozása a tüdőkárosodás előzetes szegmentálásához és több osztályos osztályozáshoz. A modellek az FDG-avid tüdőléziókat négy csoportba sorolják, amelyek mindegyikét patológiás eredetük, elsődleges terápia és megfelelő klinikai osztály határozza meg.

A tanulmány áttekintése

Részletes leírás

  1. A helyi képfunkció-kivonó szoftver (LIFEx, 7.4.0, Franciaország) a kép áttekintésére és a releváns adatok mérésére szolgált. Három megfigyelő egymástól függetlenül értelmezte a képeket. Egyet nem értés esetén egy több mint egy évtizedes tapasztalattal rendelkező vezető orvos véleményét élvezték. A képalkotó leleteket az alapvizsgálatok alapján rögzítettük. A léziók számát, elhelyezkedését és leíró címkéit szisztematikusan naplóztuk a képalkotó jelentésben meghatározott normáknak megfelelően. Az adatok rendezése és számítása során az SPSS (v26.0) statisztikai szoftvert használtam. Khi-négyzet tesztet alkalmaztak az SPL és a PPL összehasonlítására olyan kategorikus változók alapján, mint a CT-leletek, míg a T-tesztet a folytonos változók, például a glikémia és a SUV értékelésére. Tekintettel a kategorikus változók túlsúlyára, a khi-négyzet vagy Fisher-féle egzakt tesztet (<40 vagy >20% sejtek esetén <5 várt számmal) alkalmazták a kezelésre adott válasz és a képalkotó teljesítmény értékelésére. A kategorikus és a SUV-alapú folytonos változók közötti kapcsolat elemzésére Spearman-féle korrelációs együtthatót alkalmaztunk.
  2. Ebben a vizsgálatban a metabolikus tumor térfogatát 40%-os relatív küszöbértéknél (MTV40%) választották ki a képelemzés szempontjából érdekes térfogatnak (VOI). A jellemzők kinyeréséhez a Python (v3.11.7) alapú rádiómisztikai szolgáltatáskivonó eszközkészletet használtuk, a PyRadiomics (v3.1.0), a SimpleITK orvosi képfeldolgozó könyvtárral (v2.3.1), a Numpy numerikus számítási és adatmanipulációs könyvtárral (v1.26.2) és a PyWavelet wavelet transzformációs könyvtárral (v1.5.0) együtt. A funkciók kiválasztása az R programozási nyelven (v4.2.0) alapuló RStudio (v.2023.12.0+369) segítségével történt. A számítási hatékonyság biztosítása és a túlillesztés elkerülése érdekében a megőrzött jellemzők számát legfeljebb 10%-ra korlátozták a képzési készletben lévő sérülések számának. A modellelemzést és -validációt is elsősorban az RStudio segítségével végeztük.
  3. A mély tanulási vizsgálat a hipermetabolikus tüdőelváltozások azonosításának és osztályozásának feladatát két szakaszra osztja: szegmentációra és osztályozásra. A szegmentálási szakaszban először a nyílt forráskódú 2D-s Lungmask modellt használtuk a tüdőrégió automatikus kivágására a teljes test PET/CT-képekből, biztosítva, hogy a későbbi feldolgozás a tüdőterületre összpontosuljon. Ezt követően kifejlesztettünk egy 3D UNet modellt maradék modulokkal, amelyeket kifejezetten a hipermetabolikus tüdőelváltozások szegmentálására terveztek. Ez a modell a kivágott PET/CT-képeket használja bemenetként, hatékonyan kinyerve a lézióinformációkat a háromdimenziós képekből, és pontosan szegmentálja a hipermetabolikus tüdőléziós területeket. A modellt ezután mind a belső tesztkészletekre, mind a külső validációs készletekre alkalmazták következtetések levonására, ami a következőt eredményezte: a léziót tartalmazó ROI-k kivonása.

Tanulmány típusa

Megfigyelő

Beiratkozás (Tényleges)

647

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

    • Shanghai
      • Shanghai, Shanghai, Kína, 200025
        • Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

Ebbe a retrospektív vizsgálatba olyan betegeket vontak be, akik 2015 januárja és 2024 februárja között PET/CT vizsgálaton estek át a Nukleáris Medicina Osztályon 5 intézményben: Ruijin Kórházban, Ruijin North Kórház Proton Központjában, Sanghaji Tüdőkórházban, Anhui tartomány Lu'an Népi Kórházában és a A Nanjingi Hagyományos Kínai Orvostudományi Egyetem kapcsolt kórháza.

Leírás

Bevételi kritériumok:

  1. Felnőtt betegek (≥18 év);
  2. Elsődleges vagy visszatérő limfóma, az utolsó kezeléstől számított ≥6 hónap; elsődleges tüdőrákos betegek előzetes rosszindulatú daganat nélkül;
  3. Jóindulatú szilárd tüdőelváltozások, előzetes rosszindulatú daganat nélkül;
  4. Tüdő sugárkezeléssel vagy részecskebeültetéssel nem kezelt tüdőáttét;
  5. Kiindulási értékelés, amely PET-pozitív tüdőelváltozásokat tár fel.
  6. Patológiai eredmények a vizsgálat időpontjától számított 3 hónapon belül, igazolt tüdőelváltozások tracheoszkópiával, tüdőpunkcióval vagy műtéttel.
  7. A kiindulási tüdőelváltozások továbbra is pulmonális limfómának (vagy metasztázisnak) tekinthetők a nyomon követési klinikai és képalkotó értékelés alapján.

Kizárási feltételek:

  1. rossz képminőség;
  2. Képtelenség megjelölni a tüdőelváltozások határait a CT-képeken;
  3. A közeli eszközök, például sztentek vagy vízelvezető csövek által okozott műtermékek.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
Pulmonális limfóma
(1) Felnőtt betegek (≥18 év). (2) Primer vagy visszatérő limfómában szenvedő betegek, akik az utolsó kezeléstől számított 6 hónapon túl. (3) A kórházban végzett kiindulási vizsgálat PET-pozitív tüdőelváltozásokat tárt fel, a CT-vel mért maximális átmérő ≥3 mm, ≥2 képrétegen látható. (4) Patológiai eredmények a vizsgálat időpontjától számított 3 hónapon belül, igazolt tüdőelváltozások tracheoszkópiával, tüdőpunkcióval vagy műtéttel. Vagy a nyirokcsomó- és külső tüdőpunkcióval diagnosztizált limfóma kiindulási tüdőelváltozásai továbbra is pulmonalis limfómának minősülnek a nyomon követési klinikai és képalkotó értékelés alapján.
Figyelje meg az orvosi képeket munkaállomáson vagy helyi képelemző szoftveren keresztül
Képfunkció kinyerése radiomika vagy mély tanulási módszerekkel
Tüdőrák
(1) Felnőtt betegek (≥18 év). (2) Primer tüdőrákos betegek, akiknek nem volt rosszindulatú daganata (3) A kórházi kiindulási vizsgálat PET-pozitív tüdőelváltozásokat tárt fel, a CT-vel mért maximális átmérő ≥3 mm, és ≥2 képrétegen keresztül látható. (4) Patológiai eredmények a vizsgálat időpontjától számított 3 hónapon belül, igazolt tüdőelváltozások tracheoszkópiával, tüdőpunkcióval vagy műtéttel.
Figyelje meg az orvosi képeket munkaállomáson vagy helyi képelemző szoftveren keresztül
Képfunkció kinyerése radiomika vagy mély tanulási módszerekkel
Jóindulatú
(1) Felnőtt betegek (≥18 év). (2) Jóindulatú szilárd tüdőkárosodásban szenvedő betegek, előzetes rosszindulatú daganat nélkül. (3) A kórházban végzett kiindulási vizsgálat PET-pozitív tüdőelváltozásokat tárt fel, a CT-vel mért maximális átmérő ≥3 mm, ≥2 képrétegen látható. (4) Patológiai eredmények a vizsgálat időpontjától számított 3 hónapon belül, igazolt tüdőelváltozások tracheoszkópiával, tüdőpunkcióval vagy műtéttel.
Figyelje meg az orvosi képeket munkaállomáson vagy helyi képelemző szoftveren keresztül
Képfunkció kinyerése radiomika vagy mély tanulási módszerekkel
Metasztázis
(1) Felnőtt betegek (≥18 év). (2) Tüdő-áttétes betegek, akiket nem kezeltek tüdősugárterápiával vagy részecskeimplantációval. (3) A kórházban végzett kiindulási vizsgálat PET-pozitív tüdőelváltozásokat tárt fel, a CT-vel mért maximális átmérő ≥3 mm, ≥2 képrétegen látható. (4) Patológiai eredmények a vizsgálat időpontjától számított 3 hónapon belül, igazolt tüdőelváltozások tracheoszkópiával, tüdőpunkcióval vagy műtéttel. Vagy a nyirokcsomó- és külső tüdőpunkcióval diagnosztizált metasztázisok kiindulási tüdőelváltozásai továbbra is tüdőáttétnek minősülnek a nyomon követett klinikai és képalkotó értékelés alapján.
Figyelje meg az orvosi képeket munkaállomáson vagy helyi képelemző szoftveren keresztül
Képfunkció kinyerése radiomika vagy mély tanulási módszerekkel

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Időkeret
A 18F-FDG PET/CT kép képalkotó/radiomika/mély tanulási funkciói
Időkeret: Alapvonal
Alapvonal

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A szegmentációs modell hatékonysága
Időkeret: közvetlenül a modellek fejlesztése és tesztelése után
A szegmentációs modell hatékonyságát a léziók észlelési aránya és a kocka hasonlósági együtthatója (2(A∩B)/ (A+B), A=szegmentált voxeltérfogat, B=földi igazság térfogata) értékeli, amely egyaránt leírja a a lézió és a háttér felosztásának pontossága.
közvetlenül a modellek fejlesztése és tesztelése után
Az osztályozási modell hatékonysága
Időkeret: közvetlenül a modellek fejlesztése és tesztelése után
Az osztályozási modellt a pontosság [ (TP+TN)/(TP+FP+TN+FN) ] , precizitás [TP/(TP+FP)], visszahívás [TP/(TP+FN)], F1- értékeli. pontszám [2*precision*recall/(precision+recall)], amely mind a minták helyesen vagy rosszul osztályozott elváltozásainak arányát írja le különböző szempontokból. Míg a vevő működési karakterisztikája (ROC) görbe ezt jobban szemlélteti. A görbe alatti terület (AUC) a ROC-görbe alatti terület arányát számította ki, 0 és 1 között, ami az osztályozás általános hatékonyságát jelenti az egyes csoportokban.
közvetlenül a modellek fejlesztése és tesztelése után

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2024. április 1.

Elsődleges befejezés (Tényleges)

2024. július 20.

A tanulmány befejezése (Tényleges)

2025. április 30.

Tanulmányi regisztráció dátumai

Először benyújtva

2024. szeptember 11.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2024. szeptember 17.

Első közzététel (Tényleges)

2024. szeptember 19.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2025. július 23.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2025. július 22.

Utolsó ellenőrzés

2025. július 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

az Egyesült Államokban gyártott és onnan exportált termék

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Iratkozz fel